NovaLAD：面向生成式 AI 与数据智能的高速、CPU 优化文档提取管道

文档提取是检索增强生成（RAG）、知识库以及下游生成式 AI 工作流程中的关键步骤。它将非结构化文档（如 PDF 和扫描件）转化为结构化文本和布局感知的表示。我们介绍 NovaLAD，一个综合性的文档解析系统，集成了两个并行运行的 YOLO 目标检测模型——元素检测与布局检测——以及基于规则的分组和可选的视觉语言增强。当页面图像输入后，首先同时通过两个模型进行处理。元素模型检测语义内容（如标题、页眉、文本、表格、图像等），布局模型检测结构区域（如 layout_box、column_group、multi_column、row_group 等）。关键设计决策是：首先通过图像分类器（ViT）判断图像或插图是否相关。仅将有用的图像提交给视觉语言模型进行标题、摘要和结构化信息提取，从而降低噪声和成本。NovaLAD 注重性能：其在 CPU 上运行，采用并行执行进行检测、分类、OCR 和转换，并生成多种形式，包括结构化 JSON、Markdown、RAG 就绪文本和知识图谱。我们在 DP-Bench 基准（upstage/dp-bench）上进行测试，获得 96.49% 的 TEDS 和 98.51% 的 NID，优于商业和开源解析器。本文阐述了数据提取方法、架构设计、数据流向以及如何在无需 GPU 的情况下实现 NovaLAD 的高精度与高可用性。