jerryjliu/docjev

解决的问题

DocJev 提供了一种基于自然语言规则自动分类文档并将大型 PDF 包拆分为独立文档的方法。它解决了手动整理多页文件（例如包含各种财务报告的合并 PDF）并识别文档起止点的问题，即使相邻文档属于同一类别也能处理。

运作方式

该系统使用 OCR 和决策引擎的流水线。它使用 LiteParse（本地）或 LlamaParse（针对复杂版面的云端 OCR）从 PDF、DOCX 或 PPTX 文件中提取文本。这些文本随后会被发送到 Jev 决策引擎（托管服务），该引擎应用自然语言类别规则来预测文档的类别或页面之间的边界。此过程是页面级别且连续的，这意味着它会识别每个区段的页面范围。

目标用户

它专为需要处理大量非结构化文档包的用户和开发人员而设计，特别是在金融、政府或法律领域，这些领域的税务表格、新闻稿和财务报告等文件通常会被捆绑在一起。

特色亮点

• 多格式支持： 处理 PDF、DOCX 和 PPTX 文件。
• 灵活的规则： 使用基于 YAML 的自然语言描述来定义类别和拆分逻辑。
• 混合 OCR： 提供通过 LiteParse 进行的本地解析，以及通过 LlamaParse 进行的可选云端 OCR。
• 审核标记： 自动标记不确定的边界或类别冲突，以供人工审核。
• 性能基准： 包含与 GPT-5.6 Luna 等其他模型相比的决策延迟和准确度的详细比较。