AI图鉴

AI图鉴首页 › AI 资讯 › 关键是企业 Agents 不理解突出显示

关键是企业 Agents 不理解突出显示

来源:Unite.AI · 发布时间:10-30 · 由 AI图鉴每小时自动聚合

世界上有许多重要、没有被扫描的报纸,估计40亿份纸质文件中只有1%

安德森角

关键是企业 Agents 不理解突出显示

在 Google 上的首选来源中添加 Unite.AI

世界上有许多重要、没有被扫描的报纸,据估计,每年通过全球贸易流通的40亿份纸质文件中只有1%是数字化的,剩下的则超出了机器学习的分析能力。

这仅仅是对商业部门问题的粗略评估;政府也生产了大量的印刷品或纸质产出,美国国家档案馆今年报告说,它所保存的模拟文件只有4.04%是数字化的,还有119.7亿美元有待实现。

我承认自己也是问题的一部分:

在审查论文时,我打印它们,因为它们需要大量的人文分析以及机器摘要。 因为时间很紧,我把大块的重心放在关键部分和可能的引文上,这样数据形状在写作的时候就会飞跃出来。 由于我没有足够的OCD来烦恼亮点

但是,很多人,包括许多写重要东西的重要人物,确实使用色彩亮点,以及替代文字颜色,来进行强调。

根据早期照片中描绘的论文(黑话上的那张),可能存在数以亿计的文件,其中包含一层这样的强调,像Docling这样的文件摄入系统目前无法看到。

这些手动强调相当重要,因此,通过OCR(或更先进的方法,例如VLMs)将这样突出的一页内容简化为仅仅文字并不能传达作者的全部意图,甚至可能歪曲文件的宗旨和意图。

只是重点

新纸* 发现,广泛使用的文档转换器经常丢弃突出显示和文字颜色,因此AI agents仍然无法辨别重要指令。 在研究中审查的6,462份政策文件中,将近三分之一载有红色文字或突出内容,大约十分之一使用这些标记来提请注意重要的要求。

关于企业文件摄入agents,提交人指出:

`成熟转换器忠实地回收文字、桌子和结构,因此管道看起来很健康。

`我们显示,所有这些人都丢失了一层——意思是作者在文本的外观中编码——而且丢失使agents充满信心,而不是明显不完整,这是部署中更难发现的。

在作者的测试中,当AI模型被要求确定真实政策文件中的重要要求时,当原始的突出显示和文本颜色得到保存时,它们的表现要好得多 -- -- 这一发现在包括GPT-5.6 Terra,Claude Opus 5和Claude Sonnet 5在内的6个模型中得到了证实。

实际上,从强调以下两点中可以得出两个信号:(a) 任何事物都被强调,以及(b) 其颜色被强调。 在使用多种颜色进行手工突出显示的事例中,逻辑标题会以某种方式将红色编码为负色(如我们早些时候在温斯顿·丘吉尔对他自己发言的更正中看到的):

作者提出,现有的管道可以相当简单的解决问题,在文件转换过程中保留原有的突出显示和文字颜色,并添加说明其对于AI模型的意义的标签。 虽然这不需要额外的AI处理,但它几乎是代表每个文件所需的符号的两倍:

LLM的通话费用;这里报告的全部效果仅来自解析。 它确实花费了象征,大概是简单的两倍,因此它是一种蓄意的上下文预算交易,而不是自由赢。

大胆的漠不关心

研究的一个有趣的方面是,通过过度使用,打入数字文件的现有强调手段显然失效的程度:

`[即新管道]的全部效果通过突出[和][色来承载。 粗体、斜体、单空间和击球都无济于事[可衡量],信任的间隔横跨着它。

这并非因为没有这些提示,这是因为它们太常见,无法提供信息。

`作者大胆地提出每个标题和定义的术语,并没有因此挑出任何内容,而彩色或强调要求则是故意的、省略的行为。 Cue 打字只支付足够罕见的提示

任务和测试

为了建立这一系统,提交人从一个未具体说明的公文库中以.docx格式扫描了6,462份真正的政策文件,检查这些文件是否为红色文本,并突出其内容,而没有根据措辞作出任何猜测。 然后要求这些模型挑出被标记为特别重要的要求,并留下没有标记的要求,核心迅速:

`在本文件中列出作者特别要注意或优先注意的每一项要求。 '

在主要测试中,选择了84份文件,其中载有332个标记要求和4,192个无标记要求(即没有红色文字或彩色突出显示的要求)。 每个文件必须包含至少一个标记的要求和三个没有标记的要求,因此AI不能简单地列出所有的东西。

基本真相直接来自文件的格式,而不是通过人类判断或另一种AI模式。 业绩是通过精确、召回和F1分数衡量的,既考虑到正确确定的要求,也考虑到错误地列入无标记的要求的假阳性。

评分是程序性的,没有涉及LLM法官。 要算作匹配,一个答案必须包含从原始要求中至少连续四个内容单词,有助于防止类似但不同的要求被算作正确。

突出事项

还进行了进一步测试,以确定是否仅从其措辞中即可确定重要要求,而不突出突出其内容或颜色。 接受过实例培训的仅文本分类器实现了ROC AUC的0.664分(其中0.5表示随机猜测).

更简单的方法表现的并不比机会好:当表示紧急的词被作为线索使用时记录了0.508的分数,而句长则产生0.492. 这些结果表明,仅从措辞上就很难了解突出作者的意图。

这有道理:大概,如果措辞足够有力,作者就不会感到有必要事后强调。

参赛者

比较的方法包括作者自己的解析器(OURS);具有突出作用的OURS;无型号标记的OURS;docx2python;Docling;以及纯文本转换。

每种方法都使用了同样的文件和问题,只有文件的转换方式才有改变。 原则比较涵盖76份文件,每次测试重复三次:

如上所示,作者系统取得了0.690的F1总得分最佳,Docx2python的得分为0.586;Docling的得分为0.150;纯文本的得分仅为0.075(F1结合精确度和召回度成为单一的精确度,其中1.0是完美的得分)。

保留格式的重要性也表现在虚假的正面结果上:在Docling的情况下,未加标记的要求被错误地选取,其比例是作者系统记录的近四倍(4.3%,1.1%)。

在审查AI模型是否从被告知格式意味着什么,而不是简单地显示原始颜色和突出显示中受益时,使用了单独的测试,在提供这些额外标签时,发现一个很小但统计学上显著的改进。 然而,大多数好处是通过保留格式本身获得的。

外部压力

研究人员利用Microsoft办公室的 " 基准测试 " (OCB)进行了额外评估,该评估衡量了从办公室文件中检索资料的准确性。

从59个Word文件中提取了326个问题,涉及格式、表格、超链接、评论和脚注。 问题和评分标准均由Microsoft提供,独立于研究:

如上所示,作者系统取得了0.959的优异总分,而Docx2python的好分是0.810,Docling的好分是0.720,纯文本的好分是0.634。

新的元数据、评论和脚注系统取得了完美的分数,而所有相互竞争的方法都得分为零 — — 尽管这些改进不仅仅是因为保留了突出内容和文字颜色;而且作者系统在从表格、文件布局、字体和超链接中恢复信息方面也证明得更好。

结论

我最近试图看看我个人在PDF科学论文中对表格和数字的手动强调是否能通过LLMs和/或Python自动化,科学论文的编集、量化和解析如今已成为文献中最受欢迎的部分,对于业余爱好者来说,没有太多的余地 — — 或希望。

关于这份文件,作者的胜利是确定了翻译中丢失的重要重点指标。 然而,从OCR和文档摄入层需要操作的规模来看,其解决方案所要求的象征性开支翻一番并不是笑话。 因此,我认为,这里的奖项是确定这一问题。

* 标题为 " 作者写什么,Agent读什么:企业文件摄入中寂静的Cue损失 "。

- 都来自Amazon。

虽然我经常将作者的内在引用转换为超链接

2026年10月30日星期五首次出版。

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(unite.ai)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 600 款 AI 工具分类导航 · 每日 AI 热门项目与动态