6 分•作者: sidmanchkanti21•1 天前
嗨 HN，我们是 Pulse 的联合创始人 Sid 和 Ritvik。Pulse 是一个文档提取系统，用于创建 LLM 预处理文本。我们构建 Pulse 是因为我们意识到，尽管现代视觉语言模型在生成看似合理的文本方面表现出色，但这使得它们在大规模 OCR 和数据摄取方面存在风险。
当我们开始研究文档提取时，我们假设了当今许多团队都在做的事情：基础模型正在快速改进，多模态系统似乎可以很好地读取文档，对于小型或干净的输入，这种假设通常是成立的。一旦我们开始批量处理真实文档，局限性就显现出来了。长篇 PDF、密集的表格、混合布局、低保真扫描以及财务或运营数据暴露了微妙、难以检测且纠正成本高昂的错误。输出结果通常看起来合理，但却包含小的但有意义的错误，尤其是在表格和数字字段中。
从那时起，我们的大部分工作都是应用研究。我们对复杂文档进行受控评估，微调视觉模型，并构建了真实情况真正重要的标记数据集。我们的团队曾多次熬夜手动注释页面，在表格周围绘制边界框，逐点标记图表，或者争论一个数字是无法辨认还是仅仅扫描不佳。这个过程塑造了我们的直觉，远远超过了基准测试。
有一点很快变得清晰。核心挑战不在于提取本身，而在于置信度。视觉语言模型将文档图像嵌入到高维表示中，这些表示针对语义理解而不是精确转录进行了优化。这个过程本质上是有损的。当出现不确定性时，模型倾向于使用已学习的先验来解决它，而不是揭示歧义。这种行为在消费者环境中可能有所帮助。但在生产流水线中，它会产生无法很好扩展的验证问题。
Pulse 的出现源于试图通过系统设计而非仅仅通过提示来解决这一差距。该系统没有将文档理解视为单个生成步骤，而是将布局分析与语言建模分开。文档被规范化为结构化表示，在进行模式映射之前保留层次结构和表格。提取受到预先定义的模式的约束，并且提取的值与源位置相关联，因此可以检查不确定性，而不是将其猜测掉。实际上，这产生了一种混合方法，结合了传统的计算机视觉技术、布局模型和视觉语言模型，因为没有单一方法可以单独可靠地处理这些情况。
我们有意分享了一些文档，这些文档反映了促使这项工作产生的输入类型。这些是我们在通用 OCR 或基于 VLM 的流水线中看到问题的案例的代表。
这是一个财务 10K 文件：
[https://platform.runpulse.com/dashboard/examples/example1](https://platform.runpulse.com/dashboard/examples/example1)
这是一份报纸：
[https://platform.runpulse.com/dashboard/examples/example2](https://platform.runpulse.com/dashboard/examples/example2)
这是一个租金清单：
[https://platform.runpulse.com/dashboard/examples/example3](https://platform.runpulse.com/dashboard/examples/example3)
Pulse 并非完美无缺，尤其是在高度退化的扫描或不常见的笔迹上，并且仍有改进的空间。目标不是完全消除错误，而是使其可见、可审计且更易于推理。
Pulse 通过基于使用的 API 和平台访问提供。您可以在此处试用，并在此处访问 API 文档。
演示链接：[https://video.runpulse.com/video/pulse-platform-walkthrough-69f9](https://video.runpulse.com/video/pulse-platform-walkthrough-69f9)
我们有兴趣听取这里其他人如何评估文档提取的正确性，您在实践中看到了哪些失败模式，以及您依赖哪些信号来决定是否可以信任输出。我们将随时回答问题，并很乐意运行其他文档，如果人们想分享示例的话。