LandingAI ra mắt Agentic Document Extraction Gen2 với bộ đôi mô hình DPT-3 Pro và Verity

LandingAI vừa ra mắt Agentic Document Extraction (ADE) Gen2, một bản tái cấu trúc toàn bộ hệ thống xử lý tài liệu thông minh dựa trên dòng mô hình mới có tên DPT-3. Nếu Gen1 xử lý tài liệu như một danh sách phẳng các đoạn văn bản (chunks), thì Gen2 coi tài liệu là một cấu trúc cây, tính phí dựa trên số ký tự trả về thay vì số trang, và thực hiện "atomic grounding" (định vị nguyên tử) cho mọi câu trả lời về đúng một dòng hoặc từ cụ thể trên trang. Đội ngũ LandingAI định hướng bản phát hành này xoay quanh ba chủ đề: tính kinh tế, đầu ra sẵn sàng cho tác nhân (agent-ready) và khả năng định vị nguyên tử.

Có thể triển khai được không? Có. ADE Gen2 hiện đã khả dụng rộng rãi. Các nhà phát triển có thể bắt đầu miễn phí trong ADE playground. Các doanh nghiệp có thể chạy hệ thống trên đám mây tại Mỹ hoặc EU, trong VPC riêng trên AWS, Azure hoặc Google Cloud, bên trong Snowflake, hoặc tại chỗ (on-premises) bao gồm cả các môi trường biệt lập (air-gapped).

Hai mô hình phân tích thay vì một

Gen2 chia quá trình phân tích thành hai mô hình để khối lượng công việc quyết định mức giá. DPT-3 Verity phiên âm các tài liệu kỹ thuật số một cách xác định, trả về khung bao (bounding box) và điểm tin cậy cho mỗi từ. Nó nhắm đến các văn bản có khối lượng lớn, bảng biểu và các trường biểu mẫu đơn giản. DPT-3 Pro đọc bố cục trang trước khi đọc từ, phát hiện các loại khối từ bảng biểu, hình ảnh, ghi chú bên lề và chữ ký, trả về theo thứ tự đọc, đồng thời xử lý được các trang quét, chữ viết tay, các ngôn ngữ không dùng hệ chữ Latin và toán học LaTeX. Đội ngũ LandingAI cho biết DPT-3 Verity có chi phí khoảng 40% so với DPT-3 Pro, và dự kiến sẽ có tính năng tự động định tuyến giữa hai mô hình này vào mùa thu năm 2026.

Thay đổi về giá mới là điểm đáng chú ý nhất

Với DPT-2, mỗi trang có giá cố định là 3 tín dụng (credits). Với DPT-3, mức tiêu thụ tín dụng là tổng của thành phần trang và thành phần ký tự đầu ra. Ở gói ưu tiên (priority tier), DPT-3 Pro tính 1 tín dụng mỗi trang cộng với 0,5 tín dụng cho mỗi 1.000 ký tự đầu ra. DPT-3 Verity tính 0,3 tín dụng mỗi trang cộng với 0,2 tín dụng cho mỗi 1.000 ký tự đầu ra. Gói tiêu chuẩn (standard tier) giảm một nửa cả hai mức giá này, vì vậy một tài liệu 12 trang được phân tích bởi Pro trả về 48.120 ký tự sẽ tốn 36,1 tín dụng ở gói ưu tiên và khoảng một nửa con số đó ở gói tiêu chuẩn. Tổng số được làm tròn đến 0,1 tín dụng gần nhất và siêu dữ liệu phản hồi sẽ báo cáo mọi thông số đầu vào cho phép tính.

Các cấp độ dịch vụ là đòn bẩy thứ hai. Gói ưu tiên dành cho khi con người hoặc tác nhân (agent) đang chờ đợi. Gói tiêu chuẩn chạy không đồng bộ với mức giá bằng 0,5 lần và phù hợp với các quy trình có thể chờ đợi từ vài phút đến vài giờ. Lưu ý rằng các lệnh gọi đồng bộ luôn được tính theo giá ưu tiên, và bản thân playground cũng chạy trên gói ưu tiên. LandingAI dự báo mức giảm chi phí từ 25% đến 80% cho các khối lượng công việc hỗn hợp và khẳng định chi phí phân tích dưới một xu mỗi trang với Verity trên gói tiêu chuẩn. Hãy coi đây là các con số từ nhà cung cấp cho đến khi bạn tự kiểm chuẩn trên tập tài liệu của mình, vì thành phần ký tự có nghĩa là một trang dày đặc nội dung có thể tốn kém hơn trước đây.

Các khối (blocks), không phải các đoạn (chunks)

Phản hồi của Parse v2 có ba trường cấp cao nhất: markdown theo thứ tự đọc, siêu dữ liệu và cấu trúc. Cấu trúc là một nút tài liệu (document node) mà các nút con là các trang, và các nút con của trang là các khối. Các loại khối bao gồm văn bản, bảng, ô bảng, hình ảnh, ghi chú bên lề, chứng thực, logo, thẻ và mã quét. Mỗi khối mang một ID ngữ nghĩa theo định dạng type-index, ổn định trong một phản hồi nhưng không ổn định giữa các lần phân tích lại, cộng với một đối tượng định vị (grounding object) chứa số trang, phạm vi trong chuỗi markdown và khung bao đã chuẩn hóa.

Đầu ra Markdown cũng được chuẩn hóa. Các hình ảnh sử dụng các phần tử kiểu <figure type="CHART"> với văn bản mô tả được tách biệt bên trong các thẻ <description>, vì vậy phần phiên âm không bao giờ bị nhầm lẫn với bình luận của mô hình. Các chứng thực xuất ra các nhãn xếp chồng như [STAMPED][SIGNED], với [ILLEGIBLE_SIGNATURE] và [ILLEGIBLE_TEXT] là các ký tự cố định. Các bảng được xuất dưới dạng HTML theo mặc định để bảo toàn các ô đã gộp.

Định vị nguyên tử (Atomic grounding) và những gì nó mở khóa

Định vị nguyên tử là khả năng quan trọng nhất của bản phát hành này. Mỗi khối lá (leaf block) mang một mảng atomic_grounding: một mục cho mỗi dòng trực quan với DPT-3 Pro, một mục cho mỗi từ với DPT-3 Verity. Verity đính kèm giá trị tin cậy từ 0 đến 1 cho mỗi từ, được tính là điểm số thấp nhất trên mỗi ký tự trong từ đó, cung cấp cho các đội ngũ tín hiệu để định tuyến các bản phiên âm không chắc chắn sang bước kiểm duyệt. Các ô bảng hiện mang khung bao riêng, mặc dù Pro để trống phần định vị nguyên tử ở cấp độ ô. Extract V2 trích dẫn từ dữ liệu định vị này, vì vậy một trường được trích xuất có thể truy xuất ngược lại một từ cụ thể trên một trang cụ thể. Điều này giúp việc xóa thông tin PII theo tọa độ, so sánh tài liệu (diffing) và xây dựng giao diện người dùng kiểm duyệt trở nên khả thi và chính xác thay vì chỉ mang tính ước lượng.

Công cụ giải thích tương tác

Những điểm chính cần lưu ý

Xem chi tiết kỹ thuật tại đây. Ngoài ra, hãy theo dõi chúng tôi trên Twitter và đừng quên tham gia cộng đồng 150k+ ML SubReddit của chúng tôi cũng như đăng ký nhận Bản tin. Khoan đã! Bạn có dùng Telegram không? Bây giờ bạn cũng có thể tham gia cùng chúng tôi trên Telegram.

Cần hợp tác với chúng tôi để quảng bá GitHub Repo, Hugging Face Page, Sản phẩm mới hoặc Hội thảo trực tuyến của bạn? Hãy kết nối với chúng tôi.

Asif Razzaq là CEO của Marktechpost Media Inc. Là một doanh nhân và kỹ sư có tầm nhìn, Asif cam kết khai thác tiềm năng của Trí tuệ nhân tạo vì lợi ích xã hội. Nỗ lực gần đây nhất của ông là ra mắt nền tảng truyền thông về Trí tuệ nhân tạo, Marktechpost, nổi bật với việc đưa tin chuyên sâu về học máy và học sâu, đảm bảo tính kỹ thuật vững chắc nhưng vẫn dễ hiểu đối với đông đảo khán giả. Nền tảng này tự hào với hơn 2 triệu lượt xem mỗi tháng, minh chứng cho sự phổ biến của nó đối với độc giả.