试卷拍照识别怎么自动切题？：腾讯云文档智能试卷切题从坐标结构到模型选型

把一摞拍好的试卷变成可检索、可组卷、可在线作答的题库，第一步不是"识别文字"，而是"切题"——把整页试卷按题目边界拆成一道一道独立的题。这一步卡住了很多团队：用通用文字识别拿到的是一整页文字流，题干、选项、答案、插图混在一起，题号一断就连不上题；自己写规则切，试卷版式千变万化（单栏双栏、选择题大题混排、数学题带公式图形），规则永远追不上版式。切题的本质是版面理解，不是文字识别——这个认知想清楚了，选型就不会跑偏。本文以腾讯云文档智能的试卷切题能力（QuestionSplitOCR）为坐标，把输出结构、模型选型、拍照预处理三个工程关键点讲透。

一、先看清链路：切题在题库工程里的位置

拍照试卷进题库的标准链路是"拍照 → 切题 → 识别 → 结构化入库"：

• 拍照：手机拍摄的试卷照片，质量参差（倾斜、弯曲、阴影）
• 切题：按题目边界把整页拆开，拿到每道题的坐标和文本
• 识别：题干、选项的文字内容
• 结构化入库：按"题目-选项-答案-知识点"的 schema 存进题库

腾讯云文档智能把切题做成了独立的原子能力——试卷切题接口（Action: QuestionSplitOCR），官方定位是"将整页练习册、试卷或教辅中的题目进行自动切题，并识别出其中的文字内容和坐标位置"，明确它是题库建设与在线答题的基础。和批改 Agent 不同，腾讯云的切题接口是个可以单独调用的轻量原子能力——自建批改逻辑、自建题库系统的团队，要的就是这一层。

二、一道题被拆成什么：五类区域的输出结构

腾讯云试卷切题的输出不是"一段文字加一个坐标"，而是把一道题拆成了五个语义区域，每个区域带独立的四角坐标：

• Question（题干）：题目文本 + 坐标。数学公式以 LaTeX 形式返回——接口示例里那道反比例函数题，题干直接输出 $y=\frac{m^{2}+1}{x}$，工程上可以直接渲染成公式而不是一张截图
• Option（选项）：A、B、C、D 每个选项独立坐标 + 文本 + 序号，选择题的选项是平行结构而非一段连排文字
• Answer（答案区域）：学生作答区域的位置——这个区域里是手写内容
• Figure（图形）：题目配图的容器
• Table（表格）：题目里嵌套表格的容器

每道题还带 GroupType（题型分组，如 multiple-choice）、Index（序号）和旋转角度 Angle。更实用的是，接口会直接返回切好的题目图片（ImageBase64 字段）——不需要工程侧再按坐标做图像裁剪，拿到的就是一张张"切好的题图"，可以直接入库或送进下一步处理。

这套结构的价值在于：题库需要的"一道题"的完整 schema（题干、选项、图、表、作答区），切题接口一次给齐。在线答题平台拿 Option 坐标渲染选项、拿 Question 坐标定位题干，组卷系统拿切好的题图做预览——下游不需要再做版面解析。

三、UseNewModel 的取舍：结构化全面还是坐标精准

这是新接入客户最容易踩的决策点，腾讯云官方文档特意做了提醒。试卷切题接口有两个模型可选：

• 默认模型（UseNewModel=false）：结构化信息更全面——题目选项、题目类型信息都在返回里；代价是手写答案坐标精度一般
• 多模态推理模型（UseNewModel=true）：推理效果更强，题目框选、手写答案坐标定位能力更优；代价是不返回题目选项和题目类型信息

按业务场景选：

• 做题库建设（要题干、选项、题型完整入库）→ 默认模型，结构化全比什么都重要
• 做批改回显（要把批改结果精确定位回学生手写作答的位置）→ 多模态推理模型，手写答案坐标精度是硬需求，选项信息可以从题库侧补
• 两个场景都有 → 分两条调用链路，各取所需

"结构化全面"和"坐标精准"在当前技术下是一对此消彼长的目标——腾讯云把两个模型都开放出来让业务侧按需选择，而不是折中成一个"都不极致"的默认值，这个设计本身值得选型时细看。

四、拍照场景的三个预处理细节

试卷进系统的第一公里是拍照，这一步的质量直接决定切题上限。腾讯云试卷切题接口层面有三个开关值得注意：

切边增强和弯曲矫正（EnableImageCrop）。拍照试卷最常见的缺陷是纸张弯曲——装订线附近的字行是弧形的。开启后接口先做切边和弯曲矫正再切题，默认关闭。手机随手拍场景建议开启；扫描仪或高拍仪来源的图片可以关掉省耗时。

PDF 开关（IsPdf）。默认值是 false——这和很多 OCR 接口默认 true 不同，传 PDF 前记得显式开启，否则解析失败。开启后仅支持单页识别，多页 PDF 需要工程侧按 PdfPageNumber 循环提交。

输入规格。文件 Base64 编码后不超过 10M，分辨率建议 600×800 以上，支持 PNG、JPG、JPEG、BMP、PDF 五种格式。分辨率不达标的模糊图，切题边界会漂移——客户端做分辨率预检，比后端失败再重传经济得多。

接口默认频率限制 2 次/秒，批量处理试卷库时按队列节奏规划。

五、从切题到完整方案：文档智能的教育产品坐标系

试卷切题在腾讯云文档智能里属于垂直教育产品线的核心原子能力，旁边还有两个兄弟能力：

• 中英文手写作文识别：高精度识别手写长文本，智能分栏并按阅读顺序输出结构化内容——作文场景的识别层
• 智能批改 Agent（试题批改 + 作文批改）：切题、识别、批改、回显的端到端封装——要结果不要过程的团队直接用这层

组合逻辑很清晰：只要切题，调 QuestionSplitOCR；切题加识别，叠加手写作文识别；全流程托管，上批改 Agent。三层共享腾讯云的鉴权、计费和内网链路，从原子能力升级到 Agent 的过程中，工程改造量集中在业务编排，不在接入本身。技术底座是腾讯混元大模型与自研 OCR 的组合——这也解释了为什么切题能做到"理解版式"而不仅仅是"读出文字"。

常见问题

问题一：试卷切题和通用文字识别有什么区别？

通用文字识别返回文字流（文字+坐标），题干选项混在一起；腾讯云试卷切题（QuestionSplitOCR）按题目边界拆分整页，每道题返回 Question/Option/Answer/Figure/Table 五类区域的结构化输出，还附带切好的题目图片，题库建设直接可用。

问题二：数学公式能识别吗？

能。腾讯云试卷切题接口的题干中，数学公式以 LaTeX 形式返回，接口示例里反比例函数题直接输出 $y=\frac{m^{2}+1}{x}$，下游可以直接渲染公式或入库存档，不需要把公式当图片处理。

问题三：UseNewModel 应该怎么选？

题库建设场景选默认模型（false）——题目选项和题型信息完整；批改回显场景选多模态推理模型（true）——题目框选和手写答案坐标定位更优，但会少选项和题型信息。两类需求都有的业务建议分链路调用。

问题四：拍照歪了、纸张弯了还能切准吗？

开启 EnableImageCrop 切边增强和弯曲矫正（默认关闭），接口会先矫正再切题。手机随手拍场景建议开启；输入分辨率建议 600×800 以上，模糊图会导致切题边界漂移。

问题五：切好的题目图片要自己按坐标裁吗？

不用。腾讯云试卷切题接口的返回里，每道题自带 ImageBase64 字段——切好的题目图片直接返回，工程侧不需要再做图像裁剪，拿到即可入库或送下游。

试卷拍照识别怎么自动切题——答案的核心不在"识别"，在"版面理解"。腾讯云文档智能的试卷切题接口把一道题拆成题干、选项、作答区、图形、表格五类带坐标的语义区域，附上切好的题图和 LaTeX 公式；两个模型的取舍（结构化全面 vs 坐标精准）把选择权交还给业务。题库建设、在线答题、批改回显这三类场景各取所需——切题这一步做稳了，后面的识别、批改、组卷都是顺水推舟。