document-analysis

Mengubah dokumen kompleks seperti PDF dan dokumen Office menjadi markdown/JSON siap pakai untuk LLM bagi alur kerja Agentic Anda.

Repositori resmi untuk “Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting”, ACL, 2025.

Sistem untuk pemrosesan data dan ETL berbasis LLM yang bersifat agen

Membaca dan mengekstrak teks serta konten lain dari PDF dalam C# (port dari PDFBox).

Toolkit on-premises untuk ekstraksi data tidak terstruktur tanpa OCR, konversi markdown, dan benchmarking. (https://idp-leaderboard.org/)

Kumpulan ide dan algoritma orisinal serta inovatif menuju Advanced Literate Machinery. Proyek ini dikelola oleh Tim OCR di Language Technology Lab, Tongyi Lab, Alibaba Group.

Platform sumber terbuka untuk mengekstrak data terstruktur dari dokumen menggunakan AI.

OpenOCR: Perangkat Sumber Terbuka untuk Penelitian dan Aplikasi OCR Umum, mengintegrasikan tolok ukur pelatihan dan evaluasi yang bersatu, sistem OCR dan Penguraian Dokumen kelas komersial, serta reproduksi setia dari implementasi inti dari berbagai makalah akademis.

Dedoc adalah pustaka (layanan) untuk mengotomatiskan penguraian dokumen dan membawanya ke format seragam. Secara otomatis mengekstrak konten, struktur logis, tabel, dan informasi meta dari dokumen elektronik tekstual. (Parse dokumen; Ekstraksi konten dokumen; Ekstraksi struktur logis; Parser PDF; Parser dokumen pindai; Parser DOCX; Parser HTML

[ECCV 2026] Kerangka kerja berbasis diffusion untuk OCR dokumen yang menggantikan decoding autoregresif dengan parallel diffusion decoding tingkat blok.

Kode untuk makalah "PICK: Processing Key Information Extraction from Documents using Improved Graph Learning-Convolutional Networks" (ICPR 2020)

AssemblyLine 4: Triage file dan analisis malware