智能文档处理
将复杂文档、报告、演示文稿、PDF、网页和电子表格转化为可搜索的智能信息。
概览：为何选择智能文档处理
读取、理解和提取文档洞察，实现决策自动化
智能文档处理通过识别最重要的信息，帮助机构将各种多模态内容 (例如报告、合同、申报文件、政策和研究论文) 转化为结构化且可搜索的洞察。
借助 NVIDIA Nemotron 开放模型和库进行文档处理，集成了高保真提取、多模态检索以及基于事实的生成能力。团队可以构建像专家一样解读文档的 AI 智能体，同时保留对原始来源的可追溯性。
优势
这些优势覆盖多个领域，可帮助分析师、研究人员和最终用户团队实现更优成果。
- 更快的洞察发现：自动审查信息复杂的报告、合同和策略，让团队在数秒内即可获得答案，无需等待数小时。
- 可扩展的文档工作负载：随着新数据不断到来，并行处理数百万份 PDF、网页和电子表格，而无需按同等比例增加人手。
- 更高的决策质量：保留表格、图表和图示，以便 AI 智能体基于如今专家所信赖的同一证据进行推理。
- 可审计性和合规性：让每个答案都有引注页面和表格作为依据，以满足严格的监管要求和内部审计要求。
- 跨行业影响：借助可适应不同文档类型和领域的智能工作流，支持金融、法律和科学领域的多样化工作流。
快速链接
Edison Scientific：Kosmos AI 科学家整合数万份研究论文
Edison Scientific 是 FutureHouse 的分支公司，正在打造具备自主发现能力的 AI 科学家 Kosmos。 Kosmos 是一个多智能体系统，配备专门的文献智能体，旨在解答有关科学文献、临床试验和专利的问题。 文献智能体由 Nemotron Parse 提供支持，可自主搜索超过 1.75 亿份文档，以回答研究人员的问题，帮助超过 50,000 名科学家开展发现工作。
对于每个页面，Nemotron Parse 都会返回用于嵌入和搜索的语义文本，然后对视觉内容图像区域进行分段，以用于多模态 LLM 推理。
科学论文并非按照通用标准编写，且往往包含容易被误读的复杂图表。 Nemotron Parse 对于识别 PDF 中的相关表格、图形和文本至关重要，LLM 随后可基于这些内容进行推理，并生成对用户查询的回答。
Edison 的文献智能体可以帮助实现以下目标：
- 通过理解海量数据来降低人工工作量
- 通过提取关键细节来加速分析
- 提高工具和人类决策的质量
快速而准确地理解科学文献是其中的关键能力，借助这项能力，Kosmos 能够在一天内完成原本需要 6 个月的研究工作，并实现 80% 的可复现性。
快速链接
技术实施
体系架构示意图
智能文档处理工作流由三个核心组件构建：提取、嵌入与索引以及用于答案生成的重排序。
开发者可以借助开放模型、NeMo Retriever 和 NIM 进行配置、扩展和部署。
1. 提取：将复杂文档转化为结构化数据
将 NeMo Retriever 库与自托管或 NVIDIA 托管的解析及 OCR 服务结合使用，可摄取 PDF、网页及其他多模态文档，并在保留布局与语义的同时，将其转换为文本块、Markdown 表格和图表裁剪等结构化单元。 该阶段通过保留表格和图形的原有表现形式来“释放”丰富内容，生成可供下游检索与生成模型可靠使用的 JSON 输出。
2. 嵌入与索引：让内容具备大规模搜索能力
将所提取的项目输入到 Nemotron 多模态嵌入模型中，将文本、表格和图表编码为专为文档检索而定制的稠密向量。 将这些向量和相关元数据存储在 Milvus 等向量数据库中，即可实现对数百万个文档元素执行毫秒级语义搜索，并在新内容到达时确保知识库持续更新。
3. 重排序与基于事实的答案生成：提供有据可查的高保真答案
从向量索引中检索前 K 个候选项，并利用 Nemotron 交叉编码器重排序，优先保留最贴近用户问题的段落、表格和图形答案。 然后将重排序后的上下文传入 Nemotron 生成模型，生成有依据的回复，并明确引用原始页面和图表，助力业务、金融和科研团队信任并审计系统支持的每一项决策。
使用开放式 Nemotron 技术构建智能文档处理工作流的代码演练
快速链接
合作伙伴生态系统
快速链接
常见问题解答
生产级 NVIDIA RAG 工作流包括向量数据库和容器化 NIM 或基于 Kubernetes 的部署，用于在大规模文档场景下扩展提取、嵌入和检索。 对于自托管部署，应选择具有足够显存的 NVIDIA GPU；或者，也可以选择托管端点来降低对本地基础设施的要求。 您还需要调整提取设置 (例如表格输出格式和页面级拆分)，选择适当的 Nemotron 提取、嵌入和重排序模型，并利用系统测量吞吐量、延迟和引用质量，从而满足企业级服务水平协议 (SLA) 的要求。
Nemotron Parse 采用具有空间定位的视觉语言架构，检测和提取文本、表格、图表和布局元素，生成结构化、机器可读的输出而非平面文本。 它能够保留表格结构、阅读顺序和语义类别，在具有挑战性的基准测试中显著提升准确性，并提高了针对 PDF、扫描件和复杂报告的下游检索与推理的可靠性。这些结构化输出还支持更多语义分块，帮助检索系统按照有意义的内容边界而非任意文本窗口拆分文档。
回答：在 RAG 工作流中，提取阶段决定了可用于检索的证据的质量和结构。 当优先考虑吞吐量时，可使用 PDFium 处理数字生成的 PDF；当需要在速度与准确性之间取得良好平衡的视觉信息提取时，可使用 OCR；当更丰富的布局和文档结构有助于提升分块和检索质量时，可使用 Nemotron Parse。 在 NeMo Retriever 中，选择 OCR 提取路径后，文档提取将通过 NeMo Retriever OCR 服务进行。
简而言之：PDFium 最适合数字生成的 PDF，OCR 兼顾速度和视觉信息提取，Nemotron Parse 则优先考虑布局保真度和语义结构。
快速链接
