文档解析

《PDF解析工程实录》第 12 章｜别让模型贴着墙走：为什么加一圈空白，效果反而更好？点此进入系列专栏先说结论：对于相当多的图像模型，在输入图像四周主动加一圈 Padding（空白边），往往能提升边界区域的识别效果。

《PDF解析工程实录》第 11 章｜图像路线的工程现实：DPI、分辨率和内存炸裂点此进入系列专栏如果你在 PDF 解析里走过图像路线，大概率都经历过某个时刻：一开始我也以为问题出在模型上。

《PDF解析工程实录》第 8 章｜融合策略：不是兜底，而是信息利用率最大化点此进入系列专栏如果前几章解决的是“用什么能力”“怎么组织能力”，那这一章要回答的，是一个更现实的问题：

《PDF解析工程实录》第 9 章｜端到端多模态模型：不是接不住，而是要看业务能接受什么点此进入系列专栏如果你一路写到了 pipeline、融合、阅读顺序，再回头看端到端多模态模型，视角其实会发生明显变化。

水中加点糖

源码运行RagFlow并实现AI搜索(文搜文档、文搜图、视频理解)与自定义智能体（一）众所周不知，RagFlow是由国内一家公司开源的一款软件，在AI知识库构建、智能体编排等场景中深受全球开发者的喜爱。快速体验地址为：https://ragflow.io/

TextIn智能文档云平台

LLM处理非结构化文档有哪些痛点企业数字化转型进程中，80%以上的核心数据以PDF、Word、扫描件等非结构化形式存在。然而，大语言模型在处理这些文档时却频频"翻车"——表格识别错位、跨页内容断裂、手写字符无法辨认。这些技术瓶颈不仅拖累了知识库构建效率，更让企业的海量文档资产沦为"数字垃圾"。TextIn作为专业的文档解析工具，正通过技术创新将非结构化文档转化为LLM可高效利用的结构化数据，成为衔接文档与智能应用的关键桥梁。

TextIn智能文档云平台

从散乱资料到智能知识库：基于TextIn与Coze的RAG实战构建企业专属知识库正逐渐成为高效信息管理的核心需求。然而，大多数企业面临一个普遍问题：信息载体高度碎片化——手写笔记、拍摄图像、会议PPT 、PDF等异构数据源散落各处。这些资料不仅难以系统化整理，更无法被有效复用，长期积累后甚至无法追溯存留内容。

商汤万象开发者

UniParse：让多模态模型真正“读懂”文档的解析引擎在多模态大模型迅速发展的今天，我们已经能让模型“看图说话”，甚至“读懂表格”，但要让模型真正理解复杂的文档结构（例如在PDF中准确识别章节、表格、公式与图像的逻辑关系）依然是一个未被彻底解决的问题。 UniParse正是为此而生：它是一款面向AI应用的通用文档解析工具，旨在将文档中的非结构化内容转化为结构化语义信息，使多模态模型能够高效、精准地理解和利用文档内容。

Hybrid OCR-LLM框架用于在大量复杂密集企业级文档信息提取在文档解析过程中，你是否遇到过表单、证书或报告之类的大量结构相似内容文档？今天的文章提供了一些想法和见解。

DeepSeek-OCR 论文精读与实践：用“光学上下文压缩”把长文本变成图片，再由 VLM 高效还原关键词：DeepSeek-OCR、视觉-文本压缩、长上下文、MoE、OCR、文档解析、vLLM、Transformers

如何构造一个文档解析的多模态大模型？MinerU2.5架构、数据、训练方法前期，笔者在《文档智能》专栏中介绍了pipline式、两阶段式和端到端的多个文档解析相关方案及技术点。如：

实战测试：多模态AI在文档解析、图表分析中的准确率对比🌟 Hello，我是摘星！ 🌈 在彩虹般绚烂的技术栈中，我是那个永不停歇的色彩收集者。 🦋 每一个优化都是我培育的花朵，每一个特性都是我放飞的蝴蝶。 🔬 每一次代码审查都是我的显微镜观察，每一次重构都是我的化学实验。 🎵 在编程的交响乐中，我既是指挥家也是演奏者。让我们一起，在技术的音乐厅里，奏响属于程序员的华美乐章。

轻量化开源方案——浅析PdfPatcher实际应用批量处理能力支持修改文档属性/页码编号/页面链接一键清除复制/打印限制（实测WPS加密文档可解锁）自动清理隐藏冗余数据（经测试可平均缩减文件体积15%-30%）

合合技术团队

TextIn ParseX文档解析参数使用指南（第一期）TextIn ParseX通用文档解析作为一款适配多样化场景的PDF解析工具，在基础识别能力以上，还提供了便捷、完善的参数配置功能，便于用户根据自身需求调整，获得所需输出结果。在TextIn技术社群，我们的产品团队也经常接到关于参数调配的提问与建议，因此，在本期指南中，我们将介绍常用参数的作用及使用方法，前端界面中参数面板的位置如下图所示。

【大模型实战篇】Mac本地部署RAGFlow的踩坑史最近一篇文章还是在11月30日写的，好长时间没有打卡了。最近工作上的事情特别多，主要聚焦在大模型的预训练、微调和RAG两个方面。主要用到的框架是Megatron-DeepSpeed，后续会带来一些分享。今天的文章主要聚焦在RAG。

合合技术团队

DocFlow票据AI自动化处理工具：出色的文档解析+抽取能力，提升企业文档数字化管理效能目录财务应付金融信贷业务近期，DocFlow票据自动化产品正式上线。DocFlow是一款票据AI自动化处理工具，支持不同版式单据智能分类扩展，可选功能插件配置流程，满足多样业务场景。

合合技术团队

TextIn ParseX文档解析SDK工具新增Java版本TextIn ParseX通用文档解析是一款大模型友好的解析工具，支持将pdf文档、jpg、img图像等文件快速转换为markdown格式，支持各类表格、公式解析，帮助大语言模型的数据清洗和文档问答任务。此前，为了让用户获得文档解析引擎返回的丰富版面元素，我们推出了一系列的sdk函数（+link），包括目录树、公式、表格、图片、全文markdown等结果的获取函数；同时开源了前端可视化组件（+link），满足用户个性化的校对使用需求。

合合信息文档解析Coze插件发布，PDF转Markdown功能便捷集成近日，TextIn开发的PDF转Markdown插件正式上架Coze平台。在扣子搜索“pdf转markdown”，或在Coze平台搜索“pdf2markdown”，即可找到插件，在你的专属智能体中便捷使用文档解析功能。

文件解析的终极工具：Apache TikaApache Tika 是一个开源的、跨平台的库，用于检测、提取和解析各种类型文件的元数据。它支持多种文件格式，包括文档、图片、音频和视频。