多模态产品在智能文档处理应用的展望------以TextIn模型为例

• 前言
• 发展现状
• TextIn 文档解析技术
• 文本向量化
• 展望
• 合合信息

前言

   第十四届视觉与学习青年学者研讨会(VALSE 2024)于5月5日-7日在山城重庆渝北区悦来国际会议中心举办。大会聚焦计算机视觉、模式识别、多媒体和机器学习等领域的国际前沿和热点方向。大会中，合合信息智能创新事业部研发总监常扬做了"文档解析与向量化技术加速多模态大模型训练与应用"专题汇报，主要讲解TextIn文档解析技术和高精度文本向量化模型的技术特征。下面为大家分享一下这次报告的主要内容。

发展现状

   目前已有的文档解析技术依然面临诸多挑战。例如表格（特别是无线表）无法解析或结果错乱的问题，无法按照阅读顺序解析的问题，或是无法解析扫描版或图片版文档，又或是文档的编码出错误。这一问题严重影响到了大语言模型的训练与输出。因此我们需要文档解析技术能够阅读顺序还原准确、元素识别准确，尤其是表格、段落、公式、标题、识别速度快、支持论文等多种排版文档。

   通常的做法是建立一个独立的文档解析Pipeline，判断文档类型并进行预处理。它主要分为三个部分：

• 第一个部分将不同类型的文档解析为基础文档表征。
• 第二个部分将基础文档表征进行处理，如版面分析、跨页合并、节点关系处理，将多元异构不同格式文档输出为可理解的顺序文档。
• 最后一个部分，将结果输出为markdown。

在这里插入图片描述

   建立文档解析Pipeline的难点在于版面检测。文档元素可能存在遮盖重叠，元素本身形式五花八门，同时文档的版式众多，特别是多栏文档，阅读顺序本就不一样，在插入表格后，情况会变得更为复杂。此外表格造成的困难也是巨大的，无线表格和合并表格使内容难以定位。另外公式的使用也会为识别工作带来挑战。

TextIn 文档解析技术

针对上述问题，合合信息发布了TextIn 相关模型。它采用了四层技术架构：底层是围绕数据相关的基建层；上方的算法层将文档拆分为单页的同时，对每个独立的元素进行解析检测和图像文字的识别；得到文档基础表征后，会进入到应用层，进行文档类型判断，表征整合以及版面的还原，最终还原为一个正常阅读顺序的文本，并通过接入层分发至其他应用。

在这里插入图片描述

   这其中包括两部分核心技术。第一部分是版面分析算法框架。它能够选取合适的流程，将电子档或扫描档解析为独立的元素，再整合成为遵循大模型可理解的阅读顺序的输出。

在这里插入图片描述

   第二部分是文档树引擎。通过目录树准确地识别主标题、子标题、子段落、表格标题。

在这里插入图片描述

   归功于这两样核心技术，TextIn在双栏、非对称双栏、含表格双栏、无线表格、合并表格层级目录文档的解析上都有出色表现。

文本向量化

   除了文本解析技术，TextIn在文本向量化领域也尤为突出。近日，TextIn acge_text_embedding 文本向量化模型在 C-MTEB榜单排名第一。同时TextIn模型在多个方面都展现出了明显的优势。相比于传统的预训练或微调垂直领域模型，TextIn模型不仅支持通用分类模型的构建，还能提升长文档信息抽取的精度。此外，该模型的应用成本相对较低，使得大模型能够在多个行业中快速创造价值，推动科技创新和产业升级。在文档问答或知识库问答应用领域都有较强的发展前景。

在这里插入图片描述

展望

   合合信息的研究成果为各行业提供了实用的解决方案。合合信息开发出了高效、准确的图像处理算法和工具，为各种应用场景提供了优化的解决方案。这些成果广泛应用于金融、制造业、医疗等领域，极大地提升了效率和精度，并为各行业的发展带来了实际效益。希望合合信息能够持续进行深入的研究探索和技术创新，不断取得更多突破，推动人工智能技术的应用和智能产业的发展。