LongFin：面向长金融领域文档的多模态文档理解模型

文档 AI 是一个日益发展的研究领域，专注于从扫描和数字文档中理解和提取信息，以使日常业务运营更高效。为了训练能够解析和提取各种文档类型（如收据和扫描表格）信息的 AI 模型，已经引入了大量的下游任务和数据集。尽管取得了这些进展，现有的数据集和模型都未能解决工业环境中出现的关键挑战。现有数据集主要包含由单页组成的短文档，而现有模型则受限于有限的最大长度，通常设定为 512 个 token。因此，这些方法在金融服务中的实际应用受到严重阻碍，因为那里的文档可能跨越多个页面。为了克服这些挑战，我们引入了 LongFin，一个能够编码多达 4K 个 token 的多模态文档 AI 模型。我们还提出了 LongForms 数据集，这是一个全面的金融数据集，概括了金融文档中的若干工业挑战。通过广泛的评估，我们证明了 LongFin 模型在 LongForms 数据集上的有效性，其性能超越了现有的公共模型，同时在现有的单页基准测试上保持了可比的结果。