文檔是知識傳遞的載體，無論是大模型應(yīng)用發(fā)展，還是與產(chǎn)業(yè)數(shù)字化息息相關(guān)的高質(zhì)量數(shù)據(jù)庫的建立，都離不開對于文檔數(shù)據(jù)的處理和分析。目前，越來越多的開發(fā)者開始關(guān)注文檔數(shù)據(jù)處理背后的“文檔解析”技術(shù)，用以實(shí)現(xiàn)自動化數(shù)據(jù)提取、優(yōu)化大模型訓(xùn)練、開發(fā)智能文檔處理應(yīng)用。

近期，第五屆長沙·中國1024程序員節(jié)在湖南長沙舉行。大會由湖南省工業(yè)和信息化廳、湖南湘江新區(qū)管理委員會、長沙市工業(yè)和信息化局、長沙信息產(chǎn)業(yè)園管委會和 CSDN 聯(lián)合打造。大會期間，合合信息面向廣大開發(fā)者，開放智能文檔處理“百寶箱”系列產(chǎn)品（簡稱“百寶箱”）免費(fèi)體驗?！鞍賹毾洹备采w文檔處理流程多節(jié)點(diǎn)，支持批量、高效、準(zhǔn)確解析多種版式的文檔材料，解決文檔解析精度低、解析效果評估難和大模型幻覺等問題，助力技術(shù)人員實(shí)現(xiàn)個性化、高效率的文檔類應(yīng)用開發(fā)工作。

“百寶箱”為文檔應(yīng)用開發(fā)提供個性化工具

文檔處理包含解析界面可視化、提取關(guān)鍵信息、解析效果測評等多個流程，每一節(jié)點(diǎn)都影響著數(shù)據(jù)解析的精度。在長沙·中國1024程序員節(jié)《模型與工具》論壇上，合合信息智能創(chuàng)新事業(yè)部研發(fā)總監(jiān)常揚(yáng)介紹了智能文檔處理“百寶箱”三大產(chǎn)品，用維護(hù)穩(wěn)定、持續(xù)更新、可用性強(qiáng)的AI工具幫助開發(fā)者解決難題。

圖說 長沙·中國1024程序員節(jié)《模型與工具》論壇現(xiàn)場

據(jù)常揚(yáng)介紹，對于廣大技術(shù)人員而言，一款能夠“開箱即用”的工具能夠讓開發(fā)事半功倍。為解決個人及中小型企業(yè)技術(shù)人員在開發(fā)過程中遇到的“水土不服”問題，合合信息發(fā)布了一組文檔解析界面前端可視化組件，開發(fā)者可使用相關(guān)界面對解析效果進(jìn)行交互，包括提取各類解析元素，定位解析元素在文檔中的位置，還原展示各級目錄樹等。此外，相關(guān)組件還支持對結(jié)果進(jìn)行編輯修正，方便使用者實(shí)現(xiàn)更高精度的解析效果，進(jìn)行個性化開發(fā)。

圖說 文檔解析可視化前端界面

在文檔處理及大模型RAG應(yīng)用時，文本向量模型對于檢索質(zhì)量和效率至關(guān)重要?！鞍賹毾洹遍_源了合合信息自研的文本向量模型代碼——acge模型，曾于2024年3月榮登C-MTEB榜單第一名，支持長文檔嵌入檢索，兼顧效率和性能，有效提升大模型RAG應(yīng)用效果。目前在開源機(jī)器學(xué)習(xí)社區(qū)和模型庫Hugging Face平臺上，acge模型單月下載量達(dá)30,423，助力越來越多的開發(fā)者優(yōu)化大模型性能。

本次大會上，“百寶箱”還為文檔解析工具的篩選配備了“游標(biāo)卡尺”。當(dāng)前市面上的文檔解析產(chǎn)品效果缺乏統(tǒng)一標(biāo)準(zhǔn)，為選擇一款合適的工具，開發(fā)者們要花費(fèi)較長的時間進(jìn)行對比測試。“百寶箱”中的“文檔解析測評工具”從表格、段落、標(biāo)題、閱讀順序、公式等多維度，為文檔解析工具篩選提供定量測評依據(jù)及服務(wù)，并提供雷達(dá)圖等可視化形式，方便開發(fā)者直觀地看到文本識別、解析和翻譯的結(jié)果，節(jié)省篩選時間。

圖說 表格數(shù)據(jù)解析效果測評指標(biāo)

文檔智能解析為專業(yè)知識庫建設(shè)“打好地基”

技術(shù)只有和具體業(yè)務(wù)實(shí)踐相結(jié)合才能創(chuàng)造價值，在大會上，常揚(yáng)分享了“智能文檔處理百寶箱”在知識庫搭建、智能文檔抽取、大模型預(yù)訓(xùn)練語料與數(shù)據(jù)治理快速入庫以及文檔翻譯場景中的深度應(yīng)用。

以工程制造業(yè)為例，知識庫的建立需要對產(chǎn)品設(shè)計方案、技術(shù)規(guī)格書、工藝流程圖、國家標(biāo)準(zhǔn)文件等在內(nèi)的多版式文檔進(jìn)行分析，數(shù)據(jù)處理難度高。借助“百寶箱”及合合信息智能文檔處理技術(shù)，開發(fā)者可以篩選出合適的文檔解析工具并實(shí)現(xiàn)對復(fù)雜文檔信息的精準(zhǔn)提取。面對數(shù)據(jù)來源不一致、數(shù)據(jù)更新不及時等問題，開發(fā)者還可以使用acge模型優(yōu)化知識庫信息構(gòu)建、檢索和查詢效果。

除了中文文檔，包括生物醫(yī)藥、 金融 、外貿(mào)等行業(yè)在內(nèi)的專項知識庫還存在解析、翻譯多語種文檔的需求。不同語種之間不僅字體字形之間存在巨大差異，復(fù)雜語句切分也是一大難題。據(jù)悉，“百寶箱”可在保留文檔原有格式的基礎(chǔ)上做到批量、精確區(qū)分并提取多語種信息，前端組件提供審校修正功能，用戶可直接在界面上對解析結(jié)果進(jìn)行優(yōu)化，助力提高翻譯質(zhì)量。未來，合合信息智能文檔處理“百寶箱”將始終追求更高的效率與準(zhǔn)確率，從文檔解析到效果測評，為知識庫產(chǎn)品開發(fā)提供有力支持。

圖說 “百寶箱”在文檔翻譯場景中的應(yīng)用