近期开发者在讨论中指出，GPT-6 Astra 模型在处理复制代码路径时存在一个明显的解析毛病：当输入包含空格的绝对路径（例如 D:/workspace/ nice_work.py）时，Astra 会将其错误地解析为带有下划线的格式（nice\ _work.py）。开发者反馈，这一路径解析问题在之前的 5.6 版本中从未出现过。该缺陷虽然属于细节层面的文本处理异常，但对于日常需要频繁处理代码片段和文件路径的开发者而言，在一定程度上影响了交互体验和使用的准确性，引发了社区关于模型版本迭代中回归测试与文本解析稳定性的讨论。
开发者在 V2EX 社区发帖探讨扫描件与复印件的文字提取方案。主流 AI 模型在处理这类低质量图像时效果往往不够理想，难以满足实际开发需求。此次讨论聚焦于寻找精准度更高的 OCR 工具、插件或开源库，直击复杂文档处理与信息提取的痛点，为优化数字化文档流程提供了一定的参考方向。
开发企业级RAG系统和Agent时，大模型直出成本高且难以应付复杂文档。选型需立足文档特征与下游任务两个维度。生产环境常见金融年报、科研论文、医疗扫描件及企业知识库，难点在于表格密集、多栏公式、低清扫描和结构散乱。下游任务则分为检索和决策支持等类型，对解析准确率、出处追踪及结构化提取提出不同要求。开发者应结合具体业务场景和文档痛点进行权衡选型。