document-analysis

Biến các tài liệu phức tạp như PDF và tài liệu Office thành định dạng markdown/JSON sẵn sàng cho LLM phục vụ cho quy trình làm việc Agentic của bạn.

Kho lưu trữ chính thức cho “Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting”, ACL, 2025.

Một hệ thống xử lý dữ liệu và ETL chạy bằng LLM mang tính tác vụ (agentic)

Đọc và trích xuất văn bản cùng nội dung khác từ PDF trong C# (bản chuyển đổi từ PDFBox)

Bộ công cụ trích xuất dữ liệu phi cấu trúc tại chỗ không cần OCR, chuyển đổi markdown và đánh giá chuẩn.

Bộ sưu tập các ý tưởng và thuật toán độc đáo, sáng tạo hướng tới Máy móc văn bản nâng cao. Dự án này được duy trì bởi Nhóm OCR thuộc Phòng thí nghiệm Công nghệ Ngôn ngữ, Phòng thí nghiệm Thông Y, Alibaba Group.

Nền tảng mã nguồn mở để trích xuất dữ liệu có cấu trúc từ tài liệu sử dụng AI.

OpenOCR: Bộ công cụ mã nguồn mở dành cho nghiên cứu và ứng dụng OCR tổng quát, tích hợp chuẩn mực huấn luyện và đánh giá thống nhất, hệ thống OCR và phân tích tài liệu cấp thương mại, cùng các bản cài đặt lại chính xác từ nhiều bài báo học thuật khác nhau.

Dedoc là một thư viện (dịch vụ) để tự động hóa việc phân tích cú pháp tài liệu và đưa về định dạng thống nhất. Nó tự động trích xuất nội dung, cấu trúc logic, bảng biểu và thông tin meta từ các tài liệu điện tử văn bản.

[ECCV 2026] Một khung làm việc dựa trên diffusion cho OCR tài liệu, thay thế giải mã tự hồi quy bằng giải mã diffusion song song cấp khối.

Mã nguồn cho bài báo "PICK: Trích xuất thông tin khóa từ tài liệu sử dụng mạng học đồ thị - tích chập cải tiến" (ICPR 2020).

AssemblyLine 4: Phân loại tệp và phân tích phần mềm độc hại.