跳到正文

#教程/实践

今日 38 条
9月30日周三
  2. LlamaIndex：产品、工程与评测60

    LlamaIndex 谈 AI 文档抽取：真正容易出错的是 Schema 设计

    LlamaIndex 发文指出，AI 文档抽取的阅读环节已很成熟，生产管线丢失精度的主因是 schema 设计而非模型。文章以 180 页信贷协议中一个利率字段对应三个真实数值为例，区分了解析失败与规格失败两类表现相同的错误，列举 required 字段被编造、同名字段多义、重复结构被压成标量等常见缺陷，并给出 nullable、语义消歧、数组化等修正示例。

  3. LlamaIndex：产品、工程与评测42

    为什么 VLM 读不懂表单？LlamaParse 用 JSON 结构化解析表单

    LlamaIndex 解析了 VLM 处理表单的失败模式：VLM 面向通用推理优化，推理能力提升并不能改善解析结果，且成本高、可靠性差。LlamaParse 专为文档与表单理解构建，将表单表示为含 id、label、field、value 的字段与 section 嵌套树，输出 JSON，以更低成本超越通用 VLM。表单的复选框勾选状态等细微错误会完全改变下游智能体的动作。

  4. LlamaIndex：产品、工程与评测35

    如何用 OCR 从发票中准确快速提取数据

    LlamaIndex 介绍用 LlamaParse 与 LlamaExtract 实现发票 OCR 数据提取：LlamaParse 将发票作为结构化文档处理，结合 OCR、版面解析、表格提取与语义建模，输出干净可校验的结构化数据。LlamaExtract 支持 GUI 单次测试最多 20 个文件，生产环境可通过 Python SDK 或 API 并行处理 PDF、JPG、PNG 及多页文件。

  8. LlamaIndex：产品、工程与评测32

    智能体文档处理：AI Agent 如何自动化复杂工作流

    LlamaIndex 提出智能体文档处理（ADP），用具备目标、工具调用和决策能力的 AI Agent 自主完成文档工作流，仅在低置信度决策点才引入人工。其 LlamaParse 采用多个专用文档理解 Agent 协同解析，用语言模型处理文本、视觉模型解读图表图像、布局感知计算机视觉识别结构，无需因版式变化重新训练。相比基于模板的传统 IDP，ADP 能自主处理异常并触发下游动作。

  9. LlamaIndex：产品、工程与评测36

    非结构化数据抽取：如何把文档转化为结构化洞察

    企业约 90% 的数据是非结构化的，非结构化数据抽取通过 NLP、NER 和 LLM 把文档转为可查询的结构化信息。现代方案不再依赖易碎的规则解析器，而是用 LLM 的零样本能力按 JSON schema 抽取字段，省去为每种文档训练专用模型。生产级流水线还需覆盖摄取、OCR 与分块预处理、校验以及输出集成等环节。

  10. LlamaIndex：产品、工程与评测39

    OCR 准确率解析：影响因素与提升方法

    OCR 准确率需分层衡量：字符错误率（CER）在印刷体上应低于 1%、手写体为 3–5%，词错误率（WER）低于 2%，金融等关键字段的字段级准确率需达 99.9% 才能实现直通处理。图像分辨率低于 300 DPI、多栏表格等复杂版式、手写变体、硬件显存不足及文档折痕污损都会显著拉低精度，其中 5 度倾斜可使 WER 上升 15% 以上。

  11. LlamaIndex：产品、工程与评测41

    AI 文档分类：自动分拣与打标的实用指南

    AI 文档分类通过训练模型读取文档内容与结构，自动完成分类和打标，替代关键词检索和规则路由。流程分五个阶段：解析预处理、特征提取、模型分类、打标与置信度评分、路由到下游工作流。大语言模型可零样本分类，无需标注训练数据；LlamaParse 等工具用布局感知视觉解析提升预处理质量，置信度评分则让低置信结果转人工复核。

  12. LlamaIndex：产品、工程与评测41

    为什么单次提取会失败，以及 Deep Extraction 真正解决了什么

    单次提取缺乏问责闭环，模型只提取一次就输出结果，不校验、不与文档总额对账，也无法标记遗漏内容，在长文档和复杂版式中会静默丢行、合并条目。Deep Extraction 采用智能体驱动的迭代流程，提取后对照源文档验证、识别缺口并重新提取，直至达到既定质量阈值，可将前沿模型的字段准确率从 10-20% 提升至 99-100%。

  13. LlamaIndex：产品、工程与评测21

    LlamaIndex 如何实现抵押贷款文档自动化

    LlamaIndex 解析抵押贷款文档自动化流程：通过智能文档处理将贷款文件转为结构化数据，涵盖文档摄取与分类、数据抽取与结构化解析、验证与跨文档匹配等环节。系统结合机器学习、计算机视觉与结构化解析，保留表格、键值对等布局关系，并引入置信度评分与人工复核处理边缘案例。

  14. LlamaIndex：产品、工程与评测30

    OCR 为何难以满足 KYC 合规要求：LlamaIndex 解析标准文本提取的短板

    LlamaIndex 发文指出，标准 OCR 为白纸上的清晰印刷体设计，无法可靠处理真实身份证件，导致 KYC 字段错误并向下游 AML 系统传播。合规要求字段级准确率达 99.9%，而人工录入错误率平均 1–4%，按每月 5 万份文档计算意味着 500 条记录字段出错。人工复核每份文档成本约 $1.50–$8，在高增长金融科技与加密交易所中已成为规模化约束。

  23. Fireworks AI（网页）55

    Fireworks AI 通过三组受控实验给出从 LoRA 切换到 FullFT 前的测试方法

    Fireworks AI 在 Qwen3.5-9B 上用 Placement、寄存器分配和 Nexa VM 三个可自动验证任务做对照实验，提出在把 LoRA 换成 FullFT 前先依次测试数据覆盖、学习率等训练配方和 adapter rank。实验显示单任务场景下调数据或配方基本消除 FullFT 优势，固定预算混合任务中 FullFT 仍领先 4.29 个百分点，并将进一步发布后续实验。

  26. Claude：Blog（网页）69

    Anthropic 前线工程师详解如何准备 AI 驱动的代码现代化项目

    Anthropic 前线部署工程师分享大型代码现代化项目的准备方法：过去需多年的项目如今可在数月或数周完成，但组织流程不变，瓶颈从产出变更转向动员组织。

    推荐理由：Anthropic 前线工程师基于真实客户部署，给出智能体驱动代码现代化的六步准备方法，可直接迁移到企业大型改造项目。

  28. Cognition 模型 / Devin 博客（网页）58

    Cognition 拆解 Devin 如何在财富 500 强企业实现 COBOL 现代化

    Cognition 发文说明 Devin 在多家财富 500 强企业承担 COBOL 项目的做法与成效。文章指出 COBOL 对智能体的三大难点：业务数据靠内存位置而非命名关联、LLM 几乎没有 COBOL 训练语料、COBOL 依赖大型机导致反馈循环失效；应对方式是先用 DeepWiki 建立系统级代码地图，再用 playbook 编码领域约束。

  34. Baseten 工程博客（网页）13

    Baseten 解读 Compound AI：用多模型组合替代单体大模型

    Baseten 工程博客提出 Compound AI 系统，主张用多个专用模型组合替代庞大的全能单体模型，以获得更快、更便宜的推理。该系统让模型之间直接互相调用，减少网络开销、额外延迟和出网成本，并让每个步骤独立使用自动扩缩容的 GPU。文中列举的典型场景包括 AI 电话呼叫、AI 智能体和 RAG 流水线。

  36. Trail of Bits：AI安全研究48

    Trail of Bits 的 Mewt 变异测试引擎新增 DAML 支持

    Trail of Bits 为其开源变异测试引擎 Mewt 新增 DAML 语言支持，可解析 DAML 代码、生成多类变异体并跑现有测试套件统计存活数量。Mewt 还加入两个针对 DAML 授权原语的变异：controller 参与方替换（CPS）与移除（CPR），瞄准 controller 子句拼写错误、参与方缺失等授权类 bug。

  38. Trail of Bits：AI安全研究72

    Trail of Bits 分享用 Codex 的 /goal 挖掘开源漏洞的三个技巧

    Trail of Bits 在与 OpenAI 合作的 Patch the Planet 项目中，用 Codex 的 /goal 对 Rust、curl、zlib 等代码库挖洞，找到了 Rust 1.98 已修复的 soundness 漏洞和误编译、11 处变体命中，以及 Keycloak SAML 的两个潜在高危提权漏洞。

    推荐理由：原文来自亲历团队，给出了 /goal 挖漏洞的三条可迁移技巧和 Rust 变体分析流水线，读者可以照此改进自己的 Agent 审计流程。