kyotofin/tax-doc-classifier

解决的问题

它提供了一种高效率的方式，将税务文件分类为特定的 IRS 表格和页面类型。它用决策模型方法取代了昂贵且缓慢的基于 LLM 的分类管道，成本显著更低（34 倍）且速度更快（6 倍），同时支持更广泛的表格库（261 种 vs 30 种）。

运作方式

该系统使用 TypeSafe Jev，这是一个决策模型，它返回一组选项上的概率，而不是生成文本。

1. 文本提取：使用 pdftotext（poppler）将 PDF 页面转换为文本。
2. 分类：文本被发送到 Jev，Jev 将其与一个 JSON 标准文件（criteria.json）进行比较，该文件包含直接从官方 IRS PDF 生成的 IRS 表格描述。
3. 层级逻辑：它首先确定页面类型（例如，表格页面、说明、空白）和表格 ID。对于复杂的公司或外国表格，会发出第二个请求以识别特定的附表。
4. 信心门槛：系统提供 formConfidence 分数；用户可以设置一个阈值（例如，0.95）来决定是否信任结果或回退到其他方法。

适用对象

正在构建税务软件或财务文档处理管道的开发人员，他们需要在大规模下准确识别联邦 IRS 表格，而不需要通用 LLM 的高成本和延迟。

亮点

• 成本与速度：将成本降低至每页约 $0.001，延迟降低至每页约 0.5 秒。
• 广泛覆盖：支持 261 种 IRS 表格和 7 种页面类型。
• 自动化标准：criteria.json 文件是从官方 IRS XLSX 和 PDF 来源自动生成的。
• 模型无关：虽然它随附 jevBackend，但 Backend 接口允许其他可以返回标签选项上校准概率的模型。