財務(wù)報告是公眾和投資者了解企業(yè)經(jīng)營狀況的主要信源之一。步入8月中下旬，上市公司進入了中報披露高峰期。據(jù)東方財富Choice數(shù)據(jù)統(tǒng)計，截至8月中旬，A股有超過1700只個股公布了2024年半年度業(yè)績預(yù)告，海量的財報文件的解讀對于金融行業(yè)從業(yè)者而言，產(chǎn)生了巨大的工作量。

隨著人工智能技術(shù)的深入發(fā)展，部分企業(yè)和個人開始嘗試用大模型進行財務(wù)報表分析。針對大模型“理解力”薄弱，數(shù)據(jù)讀取錯誤等問題，合合信息大模型“加速器”方案優(yōu)化升級了PDF文檔解析技術(shù)，將非結(jié)構(gòu)化的PDF內(nèi)容轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)，提高大模型圖表類數(shù)據(jù)提取準(zhǔn)確性和版面理解能力，助力大模型實現(xiàn)從“泛讀”到“精讀”的能力跨越。

PDF是主流的電子文件格式之一。文檔解析技術(shù)可將PDF、圖片等多種格式的文件解析為 Markdown 或 JSON 格式的文檔，并以一種對大模型友好的方式呈現(xiàn)。

文檔解析技術(shù)是大模型理解和處理文檔的前提，相關(guān)能力的缺失，會導(dǎo)致大模型在理解版面不同區(qū)域的內(nèi)容排列順序、要點時遇到障礙，影響大模型的“理解力”，財務(wù)報表中的關(guān)鍵信息可能會丟失或被誤解，使得模型生成的答案不夠精準(zhǔn)，無法正確回答用戶的查詢。

“人類閱讀文章時可以自然地判斷版面元素的作用，但機器要經(jīng)歷層層拆解的過程才能‘讀懂’文章?！睋?jù)合合信息技術(shù)團隊成員介紹，財報、年報文件多以PDF格式為主，其中包含著各類復(fù)雜表格、圖表、證照等元素。大模型現(xiàn)階段存在的文檔解析能力缺陷主要體現(xiàn)如下方面：文檔識別失敗率高，面對復(fù)雜版面，無法正確解析，獲取標(biāo)題、分塊文本、圖表等。在這種情況下，大模型常表現(xiàn)為細節(jié)信息提供答案失敗或回答錯誤；邏輯結(jié)構(gòu)解析不完整也是核心問題之一，段落語義劃分錯誤，會導(dǎo)致大模型回答不全面或出現(xiàn)總結(jié)性偏差的狀況。、

圖 1：合合信息PDF文檔解析技術(shù)在大模型表格解析中的效果

據(jù)了解，合合信息PDF文檔解析技術(shù)具備多文檔元素識別、版面分析能力，可以識別文檔中的段落、公式、頁眉、頁腳等多種元素，并進行對應(yīng)的處理。在應(yīng)對財報中常見的無線表、合并單元格、不規(guī)則行距、跨段、跨頁等障礙時，該技術(shù)也能做到準(zhǔn)確還原各類表格結(jié)構(gòu)。

為了讓大模型像專業(yè)人士一樣閱讀文本，PDF文檔解析技術(shù)可對各類學(xué)術(shù)文獻進行版面元素的識別及閱讀順序的判定。該技術(shù)不僅能夠準(zhǔn)確定位文檔中的關(guān)鍵信息段落，還能根據(jù)PDF文檔的布局和格式，推斷出人類閱讀時的順序，而非機械地判定為從左至右排序，避免把完整的段落文字“攔腰斬斷”，真正做到了“所見即所得”。

圖 2：合合信息PDF文檔解析技術(shù)對雙欄論文的解析效果

合合信息技術(shù)團隊成員表示，上市公司年報頁數(shù)大多集中在200至300頁的范圍內(nèi)，一個熟練的分析師可能在幾天到一周的時間內(nèi)完成對年報的基本分析，PDF文檔解析工具最快能在1.5秒完成百頁文檔的解析，按8小時為一天工作時間計算，解析工具可幫助大模型在一日內(nèi)對數(shù)千家企業(yè)的年報數(shù)據(jù)進行精準(zhǔn)分析。隨著無紙化辦公、數(shù)字化趨勢發(fā)展，PDF文檔解析技術(shù)有望被應(yīng)用于更廣泛的場景。