随着大模型在社会应用中逐渐普及，人们在享受便利的同时，也面临着“AI 幻觉”产生的风险。训练数据是影响大模型“认知能力”的关键要素，近期，上海合合信息科技股份有限公司(简称“合合信息”)TextIn“大模型加速器 2.0”版本正式上线，基于领先的智能文档处理技术，对复杂文档的版式、布局和元素进行精准解析及结构化处理，从数据源头降低大模型“幻觉”风险，让大模型在与人类的沟通中“更靠谱”。
图说：“大模型加速器 2.0”文档解析引擎助力知识库理解手写笔记示意图
据悉，升级后的“大模型加速器”在复杂版面理解、表格及图表处理、内容溯源等能力上实现新突破，可精准识别上千种文档中的跨页表格、合并单元格、密集表格、手写字符及公式，解析稳定率达99.99%，单页处理耗时较行业可比产品降低超30%;可“逆还原”十余种专业图表数据，并将其转化为大模型可理解的结构化数据。此外，“大模型加速器 2.0”版本新增知识库系列开源组件，助力医疗、制造、教育等行业开发者构建个性化的知识库。
文档解析技术助力教育大模型建设
大模型需要不断“吸收”正确的专业知识，才能应对实际应用问题。合合信息技术团队成员表示，在处理年报、论文、实验室报告等专业文档的过程中，一个符号的解析失误，便可能“误导”大模型，得出与事实相悖的结论。可信性的缺失，也制约了大模型在实际应用场景中的纵深拓展。
赛尔教育科技发展有限公司(简称“赛尔教育”)系“中国教育和科研计算机网CERNET”的运营公司赛尔网络的重要子公司，是教育国际化、教育信息化、数字化教育方案的提供商。赛尔教育CTO、教育数字化事业部总经理杨林提到，教育行业中所涉及的文档格式多样，在内容上也包含了表格、公式、手写字符、多语言文字等信息。如何高效准确地提取各类文档中的文本信息，并非易事。
“教育行业的大模型建设工作中，数据的数量和质量起着决定性作用。我们做了很多尝试，模型的速度和准确性都达不到要求，严重影响科研工作的进展。”杨林表示，行业知识库的构建基于大量文档的文本信息提取，需要高效率、高准确率的工具。合合信息文档解析技术提供了专业的技术支持和服务，有效解决了文档处理过程中的问题。
在“大模型加速器”的支持下，合合信息与赛尔教育共同协作，提升大模型对复杂版面、元素的“理解力”，使其按照人类正常的阅读顺序识别文档结构，智能划分标题、段落、表格和图表等内容块，帮助大模型理解版面、内容间的对应关系，减少AI“幻觉”现象。
图说：图表解析模块将图表还原为表格数据
除了复杂的版面布局，种类繁多、空间结构复杂的图表元素也是解析难点所在。“大模型加速器2.0”图表解析模块可智能提取多种图表中的关键数据点、坐标轴信息、图例说明等，在精准解析不同类型图表数据的基础上，将其还原为一组完整的Excel表格数据，作用于教育行业大模型微调，学科知识库建设、智能审阅等环节。
智能溯源让大模型用得更“安心”
近期，多家券商机构纷纷宣布接入大模型，帮助分析师、行业研究员等专业人士提高工作效率。为帮助用户简化专业文档数据筛选和数据抽取流程，提升文档内容解读效率与准确率，“大模型加速器 2.0”上线了知识库产品组件，支持复杂文档的智能问答、总结与检索。
为了让行业“安心”使用大模型，知识库产品推出溯源功能，通过在“投喂”给知识库的Markdown及JSON文件中标记页码、坐标等空间位置信息，实现对句子、段落的精确溯源，为用户提供了一个快速检验的路径。以财务分析为例，大模型在多份高达上千页的财报文件中找到收入、利润等关键数据后，券商分析师可利用溯源功能定位原表格，对信息进行复核，防止错误、遗漏。
图说：知识库对财报数据所在表格进行精准溯源
目前，知识库组件已面向开发者开源，帮助其根据自身需要快速构建个性化行业知识库。此前，合合信息已开源智能文档处理“百宝箱”系列产品，解决文档解析精度低、解析效果评估难等问题，开发者可根据研发需求灵活搭配使用。未来，“大模型加速器”将持续优化迭代，助力大模型在各行各业中“百花齐放”。