Ertas 用于 PDF 解析与转换
在 Ertas Studio 中训练一个小模型,把你已从 PDF 中提取的文本转换为结构化输出,例如 JSON 字段、规范化记录或简短摘要。导出后在自己的服务器上运行,与你现有的 PDF 提取工具配合使用。
The Challenge
企业文档库里的 PDF 类型多种多样:扫描件、原生 PDF、混合版式、多栏页面、表格和技术图纸。OCR 引擎和 PDF 解析器可以把文本提取出来,但得到的只是原始文本,仍需转换成下游系统所需的字段、记录或摘要。针对这一步写的规则脚本,遇到新版式 就会失效;而把每一页都交给大型前沿模型处理,在整个文档库的规模下成本很高。处理客户文档的服务提供商需要一种可重复的方式来完成这一转换。
The Solution
Ertas 负责提取之后的那一步。先用你现有的提取工具处理 PDF,再在 Ertas Studio 中训练一个模型,把提取出的文本转换为你需要的输出:带命名字段的 JSON 对象、规范化记录、分类结果或简短摘要。在 Data Craft 中构建训练集,以提取的文本作为 USER 轮次、正确的结构化输出作为 ASSISTANT 轮次;也可以把现有的配对数据以 JSONL 格式上传。领域专家在训练前于 Data Craft 中审核并批准这些示例。
Studio 通过可视化画布在 Ertas 的云端 GPU 上微调开放模型,多个任务可以并行训练,方便你在预留文档上比较不同规模的模型。训练好的模型从 Hub 导出为 GGUF(用于 llama.cpp 或 Ollama)或完整的 safetensors(用于 vLLM),在你自己的服务器上紧接提取步骤运行。部署后处理的文档都留在这套基础设施上,每页的成本就是你自己的算力。训练数据需要上传到 Ertas,因此请用可以共享、且已去除个人信息的页面构建训练集。Ertas 本身不从 PDF 文件中提取文本,扫描文档库仍需在模型之前配一个 OCR 或 PDF 解析工具。
Key Features
从提取文本生成结构化输出
训练模型把原始提取文本映射为下游系统需要的字段、标签或格式。输出结构由你的训练示例决定。
在 Data Craft 中构建训练对
以提取文本作为 USER 轮次、正确输出作为 ASSISTANT 轮次构建示例。对示例进行编辑和版本管理,并在训练前跟踪哪些已获审核人批准。
先比较,再决定
在不同基础模型或设置上并行运行多个 LoRA 微调任务,并用训练集从未见过的预留文档逐一检验。
紧接提取步骤运行
将模型导出为 GGUF 或完整的 safetensors,用 llama.cpp、Ollama 或 vLLM 在自己的服务器上运行。推理时处理的文档留在你的基础设施中,也没有按页计费的 API 账单。
Example Workflow
一家 AI 咨询公司从客户那里收到一大批建筑类 PDF(招标文件、技术规范和工程量清单),客户需要把其中的成本条目导入自己的估算系统。团队先用他们一直在用的开源 PDF 提取工具处理整个文档库,为每一页生成原始文本和表格。他们挑出几百页有代表性的页面,在 Data Craft 中构建训练示例:提取的文本作为 USER 轮次,条目的 JSON 列表(描述、数量、单位和单价)作为 ASSISTANT 轮次。客户方的一名工料测量师审核并批准这些示例。他们在 Ertas Studio 中基于 Qwen 2.5 1.5B、Qwen 2.5 3B 和 Llama 3.2 3B 并行训练三个任务,用一组预留页面逐一检验,再把达到估算人员准确率要求的最小模型导出为 GGUF。模型在咨询公司自己的服务器上用 llama.cpp 运行,紧接在提取步骤之后。下一个建筑客户到来时,团队沿用同样的数据集结构,再加入该客户文档中的示例。
Related Resources
Ship AI that runs on your users' devices.
Start free with 150 credits after card verification. Paid plans from $20/mo USD.