企業(yè)財(cái)報(bào)密集披露，合合信息文檔解析技術(shù)提升大模型“理解力”

　　財(cái)務(wù)報(bào)告是公眾和投資者了解企業(yè)經(jīng)營狀況的主要信源之一。步入8月中下旬，上市公司進(jìn)入了中報(bào)披露高峰期。據(jù)東方財(cái)富Choice數(shù)據(jù)統(tǒng)計(jì)，截至8月中旬，A股有超過1700只個(gè)股公布了2024年半年度業(yè)績預(yù)告，海量的財(cái)報(bào)的對(duì)于金融行業(yè)從業(yè)者而言，產(chǎn)生了巨大的工作量。

　　隨著人工智能技術(shù)的深入發(fā)展，部分企業(yè)和個(gè)人開始嘗試用大模型進(jìn)行財(cái)務(wù)報(bào)表。針對(duì)大模型“理解力”薄弱，數(shù)據(jù)讀取錯(cuò)誤等問題，合合信息大模型“加速器”方案優(yōu)化升級(jí)了PDF文檔技術(shù)，將非結(jié)構(gòu)化的PDF內(nèi)容轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)，提高大模型圖表類數(shù)據(jù)提取準(zhǔn)確性和版面理解能力，助力大模型實(shí)現(xiàn)從“泛讀”到“精讀”的能力跨越。

　　PDF是主流的電子格式之一。文檔技術(shù)可將PDF、圖片等多種格式的為 Markdown 或 JSON 格式的文檔，并以一種對(duì)大模型友好的方式呈現(xiàn)。

　　文檔技術(shù)是大模型理解和處理文檔的前提，相關(guān)能力的缺失，會(huì)導(dǎo)致大模型在理解版面不同區(qū)域的內(nèi)容排列順序、要點(diǎn)時(shí)遇到障礙，影響大模型的“理解力”，財(cái)務(wù)報(bào)表中的關(guān)鍵信息可能會(huì)丟失或被誤解，使得模型生成的答案不夠精準(zhǔn)，無法正確回答用戶的查詢。

　　“人類閱讀文章時(shí)可以自然地判斷版面元素的作用，但機(jī)器要經(jīng)歷層層拆解的過程才能‘讀懂’文章。”據(jù)合合信息技術(shù)團(tuán)隊(duì)成員介紹，財(cái)報(bào)、年報(bào)多以PDF格式為主，其中包含著各類復(fù)雜表格、圖表、證照等元素。大模型現(xiàn)階段存在的文檔能力缺陷主要體現(xiàn)如下方面：文檔識(shí)別失敗率高，面對(duì)復(fù)雜版面，無法正確，獲取標(biāo)題、分塊、圖表等。在這種情況下，大模型常表現(xiàn)為細(xì)節(jié)信息提供答案失敗或回答錯(cuò)誤；邏輯結(jié)構(gòu)不完整也是問題之一，段落語義劃分錯(cuò)誤，會(huì)導(dǎo)致大模型回答不全面或出現(xiàn)總結(jié)性偏差的狀況。

　　據(jù)了解，合合信息PDF文檔技術(shù)具備多文檔元素識(shí)別、版面能力，可以識(shí)別文檔中的段落、公式、頁眉、頁腳等多種元素，并進(jìn)行對(duì)應(yīng)的處理。在應(yīng)對(duì)財(cái)報(bào)中常見的無線表、合并單元格、不規(guī)則行距、跨段、跨頁等障礙時(shí)，該技術(shù)也能做到準(zhǔn)確還原各類表格結(jié)構(gòu)。

　　為了讓大模型像專業(yè)人士一樣閱讀，PDF文檔技術(shù)可對(duì)各類學(xué)術(shù)文獻(xiàn)進(jìn)行版面元素的識(shí)別及閱讀順序的判定。該技術(shù)不僅能夠準(zhǔn)確定位文檔中的關(guān)鍵信息段落，還能根據(jù)PDF文檔的布和格式，推斷出人類閱讀時(shí)的順序，而非機(jī)械地判定為從左至右排序，避免把完整的段落文字“攔腰斬?cái)?rdquo;，真正做到了“所見即所得”。

　　合合信息技術(shù)團(tuán)隊(duì)成員表示，上市公司年報(bào)頁數(shù)大多集中在200至300頁的范圍內(nèi)，一個(gè)熟練的師可能在幾天到一周的時(shí)間內(nèi)完成對(duì)年報(bào)的基本，PDF文檔工具最快能在1.5秒完成百頁文檔的，按8小時(shí)為一天工作時(shí)間計(jì)算，工具可幫助大模型在一日內(nèi)對(duì)數(shù)千家企業(yè)的年報(bào)數(shù)據(jù)進(jìn)行精準(zhǔn)。隨著無紙化辦公、數(shù)字化趨勢(shì)發(fā)展，PDF文檔技術(shù)有望被應(yīng)用于更廣泛的場(chǎng)景。