anything051 开源 multimodal-math-solver 拍照识题解题流水线

anything051 在 GitHub 开源 multimodal-math-solver，采用 OCR + LLM 两阶段架构，用 Ovis2.5-2B 做图像识别与 LaTeX 结构化，再用 Qwen2.5-Math-1.5B-Instruct 做数学推理与答案提取，支持选择题、填空题、计算应用题、批量推理和异常降级处理。项目源自 2025IKCEST 第七届“一带一路”国际大数据竞赛赛题，作者通过替换 OCR 模型、Prompt 优化和批量推理等手段将算法得分从 40.0 提升至 67.2，约提升 68%。仓库提供测试数据集与下载脚本，建议在 Linux + NVIDIA GPU 环境运行。