document-analysis

將複雜文件（如 PDF 與 Office 文件）轉換為適合 LLM 使用的 markdown/JSON，以供 Agentic 工作流程使用。

“Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting” 官方倉庫，ACL，2025 年

基於 LLM 的代理式資料處理與 ETL 系統

在 C# 中讀取並提取 PDF 的文字與其他內容（PDFBox 的移植版）

本地部署、無需 OCR 的非結構化資料萃取、Markdown 轉換與基準測試工具包。(https://idp-leaderboard.org/)

朝向先進文學機器（Advanced Literate Machinery）的原創創新點子與演算法集合。本專案由阿里巴巴集團通義實驗室語言技術實驗室 OCR 團隊維護。

使用 AI 從文件中萃取結構化資料的開源平台。

OpenOCR：一個用於通用 OCR 研究與應用的開源工具包，整合了統一的訓練與評估基準、商業級 OCR 與文件解析系統，以及對多篇學術論文核心實作的忠實重現。

Dedoc 是一個用於自動化解析文件並將其轉換為統一格式的函式庫（服務）。它能自動從電子文字文件中提取內容、邏輯結構、表格和元資訊。（文件解析；文件內容提取；邏輯結構提取；PDF 解析器；掃描文件解析器；DOCX 解析器；HTML 解析器）

[ECCV 2026] 一種基於擴散模型的文件 OCR 框架，以區塊級平行擴散解碼取代自回歸解碼

論文「PICK: Processing Key Information Extraction from Documents using Improved Graph Learning-Convolutional Networks」(ICPR 2020) 程式碼

AssemblyLine 4：檔案分類與惡意軟體分析