Ertas 用於 PDF 解析與轉換
在 Ertas Studio 中訓練一個小型模型,將你已從 PDF 擷取的文字轉換為結構化輸出,例如 JSON 欄位、正規化紀錄或簡短摘要。匯出後在自己的伺服器上執行,與你現有的 PDF 擷取工具搭配使用。
The Challenge
企業文件庫裡的 PDF 類型五花八門:掃描檔、原生 PDF、混合版面、多欄頁面、表格與技術圖面。OCR 引擎與 PDF 解析器可以把文字擷取出來,但得到的只是原始文字,仍需轉換成下游系統需要的欄位、紀錄或摘要。為這一步撰寫的規則腳本一遇到新版面就會失效;而把每一頁都交給大型前沿模型處理,在整個文件庫的規模下成本很高。處理客戶文件的服務提供商需要一種可重複的方式來完成這項轉換。
The Solution
Ertas 負責擷取之後的那一步。先用你現有的擷取工具處理 PDF,再於 Ertas Studio 中訓練一個模型,將擷取出的文字轉換為你需要的輸出:具名欄位的 JSON 物件、正規化紀錄、分類結果或簡短摘要。在 Data Craft 中建立訓練集,以擷取的文字作為 USER 輪次、正確的結構化輸出作為 ASSISTANT 輪次;也可以將現有的配對資料以 JSONL 格式上傳。領域專家在訓練前於 Data Craft 中審核並核准這些範例。
Studio 透過視覺化畫布在 Ertas 的雲端 GPU 上微調開放模型,多個訓練可以平行執行,方便你在保留的文件上比較不同規模的模型。訓練完成的模型從 Hub 匯出為 GGUF(用於 llama.cpp 或 Ollama)或完整的 safetensors(用於 vLLM),在你自己的伺服器上緊接擷取步驟執行。部署後處理的文件都留在這套基礎設施上,每頁的成本就是你自己的運算資源。訓練資料需要上傳到 Ertas,因此請以可以分享、且已移除個人資訊的頁面建立訓練集。Ertas 本身不從 PDF 檔案擷取文字,掃描文件庫仍需在模型之前搭配 OCR 或 PDF 解析工具。
Key Features
從擷取文字產生結構化輸出
訓練模型將原始擷取文字對應到下游系統需要的欄位、標籤或格式。輸出結構由你的訓練範例決定。
在 Data Craft 中建立訓練配對
以擷取文字作為 USER 輪次、正確輸出作為 ASSISTANT 輪次建立範例。對範例進行編輯與版本管理,並在訓練前追蹤哪些已獲審核者核准。
先比較,再決定
在不同基礎模型或設定上平行執行多個 LoRA 微調,並以訓練集從未見過的保留文件逐一檢驗。
緊接擷取步驟執行
將模型匯出為 GGUF 或完整的 safetensors,以 llama.cpp、Ollama 或 vLLM 在自己的伺服器上執行。推論時處理的文件留在你的基礎設施中,也沒有按頁計費的 API 帳單。
Example Workflow
一家 AI 顧問公司從客戶那裡收到一大批營建類 PDF(招標文件、規範書與工程數量表),客戶需要將其中的成本項目匯入自己的估價系統。團隊先用他們一直在用的開源 PDF 擷取工具處理整個文件庫,為每一頁產出原始文字與表格。他們挑出數百頁具代表性的頁面,在 Data Craft 中建立訓練範例:擷取的文字作為 USER 輪次,項目的 JSON 清單(說明、數量、單位與單價)作為 ASSISTANT 輪次。客戶端的一位工料估算師審核並核准這些範例。他們在 Ertas Studio 中以 Qwen 2.5 1.5B、Qwen 2.5 3B 和 Llama 3.2 3B 平行訓練三個模型,用一組保留頁面逐一檢驗,再將達到估價人員準確度要求的最小模型匯出為 GGUF。模型在顧問公司自己的伺服器上以 llama.cpp 執行,緊接在擷取步驟之後。下一個營建客戶上門時,團隊沿用相同的資料集結構,再加入該客戶文件中的範例。
Related Resources
Ship AI that runs on your users' devices.
Start free with 150 credits after card verification. Paid plans from $20/mo USD.