準備合成解析管線：2026 年文件處理的新方法

文件處理曾經是單一模型的工作。把 PDF 送入 OCR 引擎，取出文字。也許同時執行表格提取器。再手動將輸出拼接在一起。

這個方法在 2024 年左右到達了天花板。企業文件過於複雜——一份建設規格書包含敘述性文字、巢狀表格中的工程量清單、標有尺寸的技術圖面、顯示專案時程的圖表，以及連結所有這些的交叉引用。沒有任何單一模型能夠很好地處理所有這些內容類型。

2026 年的方法是合成解析管線：一種多階段架構，其中文件被分解為多個組件，每個組件被路由至專門的模型，輸出再重新組合成單一的結構化表示。「合成」是因為最終輸出是由多個模型的貢獻所合成的，而非由單一模型產生的。

本文著重於資料準備面：如何建立為管線每個階段提供動力的訓練資料。

管線架構

合成解析管線有四個階段，每個階段都需要自己的訓練資料。

第一階段：版面偵測器

版面偵測器檢查每一頁並識別區域：文字在哪裡？表格在哪裡？圖形在哪裡？頁首和頁尾在哪裡？

輸出是一組邊界框，每個框都標有區域類型：text_block、table、figure、header、footer、caption、page_number、sidebar、watermark。

這是一個物件偵測問題，由 LayoutLMv3、DiT（Document Image Transformer）或在文件版面上訓練的 YOLO 變體等模型解決。

第二階段：文字提取器

版面偵測器識別的文字區域被送至文字提取階段。這個階段從每個文字區域產生乾淨、結構化的文字——處理字型、欄、閱讀順序和特殊字符。

第三階段：表格解析器

表格區域送至專門的表格解析模型，該模型理解行/列結構、合併儲存格、多層標題和跨頁表格。

第四階段：圖像分析器

圖形區域送至視覺模型，該模型對圖形類型進行分類（圖表、示意圖、照片、繪圖）並提取相關的結構化資訊。

組合器

組合器將所有階段的輸出合併成單一的結構化文件表示，解析交叉引用並維護邏輯文件結構。

每個階段都可以透過在特定領域的資料上微調來改善。以下是每個階段的訓練資料準備方式。

版面偵測器的資料準備

所需內容

已標注的文件頁面，其中每個區域都用邊界框識別並分類。這是一個物件偵測標注任務——與用於在自然圖像上訓練 YOLO 模型的標注類型相同，但應用於文件頁面。

標注工作流程

步驟一：選擇具代表性的頁面。 不要標注每份文件的每一頁。選擇 200-500 頁，代表管線將遇到的版面多樣性。包括：

• 文字密集頁面（報告、敘述文字）
• 表格密集頁面（財務報表、工程量清單）
• 混合頁面（帶周圍文字和標題的表格）
• 圖形頁面（技術圖面、圖表）
• 複雜頁面（多欄版面、側邊欄、巢狀元素）

步驟二：定義區域類別。 企業文件的實用類別集：

• text_block：連續的散文（段落、項目符號列表）
• table：具有行/列結構的表格資料
• figure：圖像、圖表、繪圖、示意圖
• header：頁首、節標題
• footer：頁尾、腳注
• caption：標記圖形或表格的文字
• page_number：頁碼
• sidebar：側欄或標注框中的內容
• watermark：要忽略的背景文字或圖像

從較少的類別開始，只有在管線需要區分時才新增更多。對企業文件而言，九個類別通常已足夠。

步驟三：標注邊界框。 對每一頁，在每個區域周圍繪製邊界框並指定適當的類別。使用邊界框標注工具（CVAT、LabelImg 或支援物件偵測標注的平台）。

主要標注指南：

• 框應該緊密——最小的空白填充
• 重疊區域應標注為最具體的類型（與圖形重疊的標題得到 caption 框，而非 figure 框）
• 多欄頁面每欄得到單獨的框
• 跨頁的表格在每頁都得到一個框

步驟四：品質驗證。 讓第二位標注者審查 20% 的標注。區域分類的標注者間一致性應超過 90%，邊界框座標應在 5% 以內。

規模要求

對於微調至您特定文件類型的版面偵測器：

• 最低： 200 頁標注頁面。區域分類準確率達 88-92%。
• 建議： 500 頁標注頁面。準確率達 93-96%。
• 最佳： 1,000 頁以上標注頁面。在一致的文件類型上達 96-98% 準確率。

如果您的文件使用一致的範本（相同的報告格式、相同的發票版面），200 頁通常就足夠了。對於異質的文件集合（多個供應商、多種格式），目標應是 500 頁以上。

文字提取器的資料準備

所需內容

每個文字區域的真實文字——應從頁面該區域提取的正確純文字。

建立真實文字

對於數位 PDF（含文字層）： PDF 的嵌入文字可作為真實文字，但需要驗證。嵌入文字有時會有編碼錯誤、不正確的閱讀順序或缺少字符。

流程：以程式方式從 PDF 提取文字，手動審查 50-100 個區域的樣本，並修復任何系統性提取錯誤。如果嵌入文字一致正確（字符準確率超過 98%），將其作為真實文字使用。如果不是，則需要手動轉錄。

對於掃描文件（僅含圖像）： 真實文字必須由人工轉錄建立。這非常耗費人力，但對於訓練針對您特定文件類型的準確 OCR 模型是必要的。

時間估算：手動轉錄一個文字區域需要 1-3 分鐘，取決於長度。對於 500 頁標注頁面，平均每頁有 5 個文字區域，即 2,500 個區域 × 2 分鐘 = 約 83 小時。分散在一個團隊中，這是 2-3 週的工作。

對於特殊字型或符號： 如果您的文件使用特定領域的符號（工程符號、數學公式、音樂符號），請確保這些符號在真實文字中正確表示。標準 OCR 模型通常無法處理特殊符號——您的微調模型可以學習它們，但前提是真實文字包含它們。

規模要求

• 最低： 500 個有真實文字的文字區域
• 建議： 2,000 個文字區域
• 最佳： 5,000 個以上的文字區域，以在各種字型和版面上達到最高準確率

表格解析器的資料準備

所需內容

每個表格的結構化真實文字——正確的行/列結構，包含儲存格值、合併儲存格資訊和標題關係。

挑戰

表格解析的真實文字是管線中最複雜的標注。單一表格需要：

• 識別行數和列數
• 將每個儲存格的內容映射到其行/列位置
• 標記合併儲存格的跨度（例如，第 1 行中跨越第 2-4 列的儲存格）
• 識別標題行與資料行
• 處理巢狀標題（多層列結構）
• 連接跨頁表格

這比文字轉錄或邊界框繪製每個標注需要多得多的工作。

標注工作流程

步驟一：識別文件中的表格類型。 常見的企業表格類型：

• 簡單表格（規則格線，無合併儲存格）
• 有合併標題儲存格的表格
• 有巢狀行/列標題的表格
• 有多行儲存格的表格
• 跨越多頁的表格
• 有小計和總計的表格

對您的表格進行分類，以確保涵蓋所有類型。

步驟二：定義輸出格式。 真實文字應採用捕捉所有表格關係的結構化格式。一個實用格式：

{
  "rows": 15,
  "columns": 5,
  "headers": [
    {"text": "Item", "row": 0, "col": 0, "rowspan": 1, "colspan": 1},
    {"text": "Description", "row": 0, "col": 1, "rowspan": 1, "colspan": 1},
    {"text": "Specifications", "row": 0, "col": 2, "rowspan": 1, "colspan": 3}
  ],
  "cells": [
    {"text": "1.01", "row": 1, "col": 0},
    {"text": "Concrete Grade 30", "row": 1, "col": 1},
    ...
  ]
}

步驟三：標注表格。 對每個表格，產生結構化的真實文字。使用支援合併儲存格和多層標題的表格標注工具——或匯出到試算表進行手動結構化。

時間估算：簡單表格每個需要 5-10 分鐘。有合併儲存格和巢狀標題的複雜表格需要 15-30 分鐘。請相應規劃預算。

步驟四：驗證。 往返驗證：將結構化的真實文字重新渲染成視覺表格，並與原件進行比較。差異表示標注錯誤。

規模要求

由於結構複雜性，表格解析比版面偵測需要更多訓練資料：

• 最低： 300 個有真實文字的表格。處理簡單的表格結構。
• 建議： 1,000 個表格。處理合併儲存格和標準標題結構。
• 最佳： 2,000 個以上的表格。處理複雜的巢狀標題、跨頁表格和不規則結構。

每個在步驟一中識別的表格類型至少包含 50 個示例。

圖像分析器的資料準備

所需內容

對每個圖形，需要兩種類型的真實文字：

1. 分類： 圖形是什麼類型？（長條圖、折線圖、流程示意圖、技術圖面、照片、地圖）
2. 結構化提取： 圖形包含什麼資訊？

分類真實文字

將每個圖形分類到其子類別。這是一個簡單的圖像分類任務，每個類別需要 20-50 個示例。

對企業文件，典型類別：

• 長條圖
• 折線圖
• 圓餅圖
• 流程示意圖
• 組織圖
• 技術圖面
• 平面圖 / 場地圖
• 照片
• 標誌 / 裝飾圖像

提取真實文字

對於含資料的圖形（圖表和示意圖），建立結構化的真實文字：

圖表： 提取資料序列。顯示季度收入的長條圖應產生：[{"quarter": "Q1", "revenue": 1200000}, {"quarter": "Q2", "revenue": 1450000}, ...]

流程示意圖： 提取節點和邊。{"nodes": ["Start", "Review", "Approve", "Reject", "End"], "edges": [["Start", "Review"], ["Review", "Approve"], ["Review", "Reject"], ...]}

技術圖面： 提取關鍵尺寸、標籤和標注。

時間估算：圖表資料提取每個需要 3-5 分鐘。示意圖提取需要 5-15 分鐘，取決於複雜性。

規模要求

• 分類： 每種圖形類型 20-50 個示例（共 150-400 個）
• 圖表資料提取： 100-300 個有真實文字的圖表
• 示意圖提取： 50-200 個有真實文字的示意圖

圖像分析通常比表格解析需要更少的訓練資料，因為預訓練的視覺模型已經理解了圖表和示意圖結構——微調添加的是特定領域的校準。

端對端品質驗證

為每個階段準備訓練資料後，對完整管線進行端對端驗證：

步驟一： 通過完整管線處理 50 份保留文件。

步驟二： 將管線的結構化輸出與這些文件的手動建立的真實文字進行比較。

步驟三： 測量每個階段的準確率：

• 版面偵測：區域分類準確率和邊界框 IoU
• 文字提取：字符級準確率
• 表格解析：儲存格級準確率
• 圖像分析：分類準確率和提取準確率

步驟四： 找出最弱的階段。最弱的階段制約了整個管線的準確率。如果版面偵測的準確率為 97%，但表格解析為 82%，那麼改善表格解析訓練資料能帶來最高的投資回報。

步驟五： 迭代。為最弱的階段添加更多訓練資料，重新訓練，重新評估。重複直到所有階段達到您的準確率目標。

時程和資源

對於處理建設文件的典型企業管線：

總計：8-12 週，團隊由 3-4 人組成。各階段可以重疊——文字提取器標注可以在版面偵測器標注仍在進行時開始。

Ertas Data Suite 支援多階段管線資料準備，提供每個階段的標注工作流程——版面偵測的邊界框標注、文字提取的文字轉錄、表格解析的結構化表格標注，以及圖像分析的圖形分類。平台維護各階段之間的關係（哪些文字區域來自哪些頁面、哪些表格對應哪些邊界框），提供合成解析管線所需的端對端可追溯性。

延伸閱讀

• PDF 轉 JSONL：建立企業資料準備管線 — 將企業 PDF 轉換為結構化訓練資料的實用指南。
• 多格式匯出：JSONL、COCO、YOLO 管線 — 如何以每個模型階段所需的格式匯出訓練資料。
• 企業 AI 的本地文件導入 — 設定在您的基礎設施內保持資料的本地文件導入。