文档处理效能飙升！浩鲸科技“文档大模型”核心技术揭秘！

在当今大模型技术日新月异的背景下，数据已跃升为构建企业大模型知识库、优化训练与微调，乃至驱动模型创新不可或缺的核心要素。

对于企业来说，积累的宝贵知识广泛散布于形式多样的电子文档之中，这些文档不仅格式多样，其内容质量亦呈现出显著的差异性。对海量数据进行精细化的清洗与预处理工作，已成为提升数据价值、确保模型精准高效的关键一环，如何有效提取并利用这些宝贵的知识资源，成为了摆在所有企业面前的一道难题。

9 月 20 日，老牌数字化转型技术服务提供商浩鲸科技在云栖大会期间，成功举行鲸智大模型技术体系发布会，作为企业内部的 “资产沉淀专家”，鲸智文档大模型重磅首发。

据了解，本次发布的 “鲸智文档大模型”，专门针对企业文档场景构建了一组垂直领域模型，浩鲸科技大模型创新中心总经理王玉木表示，鲸智文档大模型与同类产品最大的差异在于，它提供了可快速价值落地的整体性方案，不仅包含了文档大模型能力，还提供了多模态文档工具链 DocChAIn 和开箱即用的软硬件一体机，基于垂直模型能力和软硬件相互配合，可帮助企业实现文档的知识抽取、知识融合，直至知识推理和问答的全流程覆盖，为企业知识资产的沉淀、高效管理与利用提供了有效通路。

鲸智文档大模型的实践逻辑

浩鲸科技成立于 2003 年，立足于电信行业，智慧触角已触及政务、电力、泛零售等多个领域，迄今已为全球 80 多个国家和地区的电信运营商、700 + 政企客户提供全栈数智化产品技术服务。

“鲸智文档大模型” 始于浩鲸科技 20 余年的数据治理、知识沉淀能力积累，作为垂直领域模型，它从端到端解决场景需求的视角出发，结合了大小模型协作等思路，基于基础大模型构建一套紧密配合的模型组合，主要分三个层面：

• 底层，精准知识提取：通过标题提取、表格提取、版面分析等多种模型，精准捕捉文档中的关键信息，确保内容的完整提取。同时，知识密度分类与语义压缩模型的加入，进一步提升了知识提取的效率与质量。
• 知识提取中，“标题提取模型” 是最为优先的。文档标题可用于文档知识块拆分、知识块召回等场景，可解决指代消歧等问题，具有重要作用，但在服务企业过程中，大部分文档格式不规范，直接影响了知识问答成功率。“标题提取模型” 基于基础大模型进行微调训练，强化了标题识别能力，能够用于从正文中识别标题，补全缺失标题等场景，可以解决企业文档标题和目录不规范，甚至标缺失的问题，有效提升了成功率。

• 中间层，深度知识融合：在知识块的基础上，进行抽象总结与多模态数据关联，将碎片化知识整合为系统化的知识体系，并映射至高维向量空间，为后续的知识推理奠定坚实基础。浩鲸科技积累的的主要模型有：
• 文本总结模型：生成短文本摘要，为知识萃取提供支持；
• 文本向量模型：提供更加准确的文本特征提取能力，为知识的召回提供保障；
• 界面识别模型：图片特征提取模型，支持图文向量对齐；
• 文本重排模型：对多模态，多路径召回的文本内容，进行重排序，进一步提升回答的准确率。
• 其中，“界面识别模型” 强化了对用户手册中最常见软件界面的支持，主要得益于很多用户都喜欢使用截图来对知识库进行提问。该模型训练数据提取自浩鲸科技研发云平台，将软件测试报告中的软件界面图片和内容来构建训练集，并使用反转、随机截取、变形、叠加反光等手段扩增图片库，实现了一个支持软件界面匹配的图片识别模型，解决了现有大模型在软件界面识别方面效果一般的问题。该模型的应用显著提升了图片搜索的准确率，文本检索图片召回成功率提升 25%，图片检索图片召回成功率提升 40%。
• 上层，智能知识推理：构建了知识问答模型和 BPO 优化模型。面向知识问答任务场景，构建了针对场景优化的问答模型，强化根据参考知识信息进行精准回答，减少幻觉。另外一方面通过优化用户的输入提示（prompt）来提高模型输出与人类偏好的对齐程度，提升问答的准确性。

DocChain：文档处理的智慧引擎

为深度赋能企业用户，浩鲸科技依托先进的鲸智文档大模型，匠心打造了多模态文档工具链 ——DocChain。该产品不仅实现了企业文档向宝贵知识资产的转化，更构建了一个集文档知识精准提取、高效检索与智能问答对话于一体的大模型知识服务平台。DocChain 以其卓越的多模态处理能力、广泛的文档格式兼容性和极致的性能优化，成为企业文档处理领域的得力助手。

• 智能提取，精准高效：集成前沿 NLP 算法与模型，实现文档处理速度与精度的双重飞跃。抽取精度高达 98%，问答响应准确率超越 80%，让信息获取更加智能、便捷。
• 格式兼容，全面广泛：拥抱多样化文档生态，支持超过 30 种文件格式，特别兼容 OFD 等国产信创标准，确保各类文档无缝接入，处理高效且精准，满足企业多样化需求。
• 多模态处理，深度解析：深度解析文档内容，无论是文本、目录、图片、表格、链接还是页码，均能精准拆分与提取。支持多元模态检索，无论是文找文、文找图，还是图找图，均能游刃有余。

一体机：解决企业私域场景下低成本上线大模型的诉求

浩鲸科技为解决客户落地大模型过程中算力硬件缺乏、技术人员少、安全要求高等难题，同时推出了文档大模型软硬件一体机。一体机内置了高性能算力，并且预装了大模型以及 DocChain 应用，可为企业快速部署和验证智慧文档处理服务。

从部署上来说，文档大模型一体机具备开箱即用、数据安全可控、性能无忧、快速集成等几个特点，专为轻量级场景设计，私有化部署解决企业隐私保护、数据安全等痛点，低成本实现企业内部大模型快速上线，覆盖通用知识检索、文档问答、服务支撑及品牌宣传等，可帮助企业迅速构建专属大模型问答系统。

随着基础大模型的发展，以及模型增量训练的知识冲突问题日益凸显，RAG 逐渐成为企业智能知识库的标准解决方案，然而知识召回的准确率和完整性成为了影响问答效果的关键因素。

鲸智文档大模型，借鉴了 “大模型 + 小模型” 的思路，基于基座大模型构建了一套大小模型的组合，形成了一套垂直大模型，可以端到端实现垂直应用场景的需求。当前，鲸智文档大模型在多模态识别、检索和精准召回上做了很多的尝试，也取得了一定的成果。

AI 大模型的迅速发展，让企业沉淀的大量文档的知识理解和处理带来了转机，浩鲸科技正通过持续的技术创新与产品优化，推动大模型技术与企业领域知识深度融合，实现企业文档向有价值的资产转化，为企业创造更多价值。

文章来源于“机器之心”