Interfaze 是一個新模型架構，在光學字元辨識 (OCR)、視覺、語音辨識 (STT) 和結構化輸出等九項正面對決的基準測試中，表現優於 Gemini-3-Flash、Claude-Sonnet-4.6、GPT-5.4-Mini 和 Grok-4.3 等模型。
人類在電腦級任務上效率不高。我們會犯錯，但我們擅長決策和理解細微差別。
想像一下，要求一個人閱讀一份 50 頁的 PDF，將每個字詞對應到另一份文件並標註其 XY 位置，然後將整份文件翻譯成中文。你會得到大量的錯誤，支付高昂的人事費用，並等待很長時間才能得到結果。
Transformer 模型也類似。它們在處理細微差別和人類級任務方面非常出色，也會像人類一樣犯錯，但這也是它們保持創造力的原因。
我們一直在將錯誤的模型用於錯誤的任務。
CNN/DNN 自 90 年代初就已存在，從 LeNet-5 到 ResNet，以及最近的 CRNN-CTC。
這些是深度神經網路架構，專門用於 OCR、翻譯或 GUI 偵測等任務。它們處理和感知數據的方式經過訓練，以適應特定任務，這使得它們在特定任務上的準確度高達 100 倍。它們還會產生有用的元數據，如邊界框和信心分數，讓開發人員能夠建立可預測的工作流程。
那麼，為什麼我們這麼多人仍然選擇 Transformer/LLM 來處理確定性任務呢？
DNN 不夠靈活。它們的表現僅取決於訓練數據，並且不擅長處理人類級的細微差別。
它們可能在服務上很便宜，但在維護和為新任務重新訓練方面卻很昂貴。以護照為例：CNN 可以提取出生日期，並附帶邊界框和信心分數，但它無法計算一個人的年齡。
一個新的模型架構，將 DNN/CNN 模型的專長與全方位 Transformer 相結合，讓您獲得兩全其美的優勢。
這意味著在確定性任務上實現高準確度和低成本：
雖然像 Claude Opus 4.7 和 GPT 5.5 這樣的 Pro 級模型是當今市場上用於編碼和複雜推理任務的最佳通用模型，但由於成本高昂和響應時間慢，它們通常不適用於 OCR 或翻譯等高流量任務。
Interfaze 的基準測試對象是具有相似定價層和功能集的模型，這些模型經過優化，能在最快的速度下從模型中榨取最多的性能，同時在規模化時保持低成本。
今天，大多數人為確定性開發者任務會選擇兩類模型：
↓ = 越低越好（詞錯誤率）。— = 未評分（模型沒有原生音訊輸入）。所有其他行：越高越好。
每個模型都在九項基準測試中進行正面對決：OCRBench V2、olmOCR、RefCOCO、VoxPopuli-Cleaned-AA、SOB Value、Spider-2.0-Lite、GPQA Diamond、MMMLU 和 MMMU-Pro。
Interfaze 在幾乎所有基準測試中都領先，對抗每個類別的專業模型以及通用型 Flash/Mini 模型。
我們的目標不是取代 LLM。而是專注於確定性任務。基準測試側重於 OCR、物體偵測和結構化輸出等類別，並包含 GPQA Diamond 等通用基準測試，以展示您對任何 Transformer 模型所期望的問題解決和理解水平。
Interfaze 的定價與 Gemini-3-Flash 相似，每百萬輸入 token 為 1.50 美元，每百萬輸出 token 為 3.50 美元。
我們用戶的第一大使用案例是針對圖像和複雜、長篇 PDF 的 OCR。
Interfaze 在 OCR 方面優於 Chandra OCR 和 Reducto 等 OCR 提供商，以及 Gemini-3-Flash 和 GPT-5.4-Mini 等通用模型。
這不僅僅是任務特定的 CNN 編碼器做得好。而是能夠在共享向量空間中，依賴物體偵測來處理圖形和圖像，或依賴 Transformer 的翻譯層。
如今大多數 LLM 在遵循 JSON 模式方面表現出色，但在用準確的值填充它方面卻很糟糕。沒有公開的基準測試可以衡量這些值的準確性，因此我們上週發布了 SOB（結構化輸出基準測試）。
重點摘要：SOB 提供模型正確的答案及其上下文，然後要求它生成包含其已擁有數據的 JSON 輸出。我們衡量誰最準確，錯誤和幻覺最少，涵蓋文本、圖像和音訊模式（全部正規化為文本）。
與本文檔中使用的相同 Flash/Mini 集合進行比較。請參閱完整的 SOB 排行榜，了解包括 Gemini-3.1-Pro、GPT-5.5 和 Claude-Opus-4.7 等前沿 Pro 級模型在內的全部 28 個模型。
Interfaze 在廣泛的語言中具有出色的多語言性能。
在 VoxPopuli-Cleaned-AA 上，Interfaze 在詞錯誤率方面排名第二。
Interfaze 每秒計算可轉錄 209 秒的音訊，比 Deepgram Nova-3 快約 1.5 倍，比 Scribe v2 快約 8 倍，比 Gemini-3-Flash 快 11 倍以上。
Interfaze 遵循 Chat Completions API 標準，因此任何支援 OpenAI 的 AI SDK 都可以直接使用：只需將其指向 https://api.interfaze.ai/v1 。從 Interfaze dashboard 獲取您的 API 金鑰並插入即可。
下方的每個範例都重複使用了相同的 interfaze 客戶端。
一本雜誌頁面，包含密集的colspan 文字和三張插圖。Interfaze 在同一請求中對圖像運行 OCR 和物體偵測，返回完整文本以及每個圖形的像素座標，全部符合您的模式。
object 包含模式響應：完整頁面文本以及一個 graphic_objects 陣列，其中包含每個插圖的描述和像素座標。precontext 包含相同響應中的原始 OCR（每行和每個單詞的邊界框、信心分數）。
透過我們的混合架構，您可以啟用模型的特定部分來執行特定任務，而無需使用全部權重。
它更快、更便宜，但也有一些權衡，您會獲得一個確定且一致的固定結構化輸出，並且每次請求只能運行一個任務。
使用系統提示中的 <task> 標籤，您可以控制模型哪個部分被啟用。下方，我們對手寫詩歌運行純 OCR。
響應是原始任務結果，包含 name 和 result，可直接使用。
Interfaze 內建了自己的網頁索引，該索引是透過抓取多個 SERP 索引和我們自己的爬蟲建立的。
object 返回精煉的個人資料，精確符合模式，而 precontext 包含 Interfaze 用於驗證答案的原始網頁搜索結果。
下方的片段是一個播客節目的 1 小時 35 分鐘內容。Interfaze 在約 50 秒內將其轉錄，並提供每個區塊的時間戳。
響應是如下所示的原始任務結果。
我們很高興能持續實驗、成長並發現讓確定性 AI 更高效、對所有開發者更易於使用的研究！
免費開始使用，並在您自己的文件、圖像和提示上進行嘗試。我們很期待看到您的創作！