详细内容或原文请订阅后点击阅览
使用自适应解析进行循环工程：使用 Azure 解析平面表格，使用 Vision LLM 解析图形
企业文档智能 [Vol.1 #10B] - LLM 作为最后一道防线，然后两个真正的升级从头到尾进行：从平面表到 Azure，从图形到视觉模型后循环工程与自适应解析的实际应用：使用 Azure 解析平面表和带有愿景的图形 LLM 首先出现在《走向数据科学》上。
来源:走向数据科学在答案出现之前看起来不错（经典 OCR 是教科书案例：EasyOCR 恢复单词并悄悄地删除它们周围的表格结构，答案读起来很好，直到您对照页面检查它）。确定性检查可以免费捕获明显的失败，但是一张被解析为看似合理的废话的表格会直接穿过它，并且模型充满信心地从这些废话中回答。上游没有任何标记它，因为在纸面上解析看起来很好。最后一道防线是法学硕士在用户看到答案之前读取自己的输入。
本文是有关自适应解析的两部分中的第二部分，属于企业文档智能的第三部分，该系列由四个部分构建企业 RAG 系统：文档解析、问题解析、检索和生成。第一部分，具有自适应 PDF 解析的循环工程：开始便宜，仅在页面需要时才支付较重的解析器（链接即将到来），构建升级级联和免费标记失败解析的确定性检查。这部分将 LLM 添加为最后一道防线，并端到端地进行两次真正的升级。
📓 可运行的同伴将两个升级从头到尾进行：您使用 fitz 解析平面页面，然后使用 Azure 重新解析它，将图形页面发送到视觉 LLM，然后观察 context_structed 将生成从错误答案翻转为正确答案。在 GitHub 上：doc-intel/notebooks-vol1。
PyMuPDF 在五毫秒内免费解析一个页面。同一页上的愿景LLM可能要花费一万倍，并且需要十秒钟。当问题以简单的散文形式出现时，廉价的解析器就会获胜。当答案隐藏在表格、图形、扫描区域或扁平布局中时，廉价的解析器会默默地返回任何有用的内容，而法学硕士可以自信地回答错误的问题。
评估不是一处检查。这是一个级联：
2.1。问题，直接使用
两个发现。