В мире искусственного интеллекта, работающего с документами, долгое время доминировала парадигма «страница за фиксированную цену». Независимо от того, содержала ли страница один абзац мелким шрифтом или пятьдесят страниц сложной финансовой отчетности, стоимость обработки оставалась неизменной. Это создавало неэффективность: компании переплачивали за «пустые» страницы и недополучали точности там, где требовалась детализация. LandingAI, лидер в области компьютерного зрения для бизнеса, полностью меняет правила игры, выпуская Agentic Document Extraction (ADE) Gen2. Это не просто обновление версии, а фундаментальная перестройка стека интеллектуальной работы с документами вокруг новой семейной архитектуры моделей DPT-3.
Если первая версия (Gen1) рассматривала документ как плоский список фрагментов (чанков), то ADE Gen2 мыслит иерархически. Документ теперь — это дерево. Более того, новая система предлагает беспрецедентную прозрачность и экономическую эффективность: ценообразование теперь привязано не к количеству страниц, а к объему полезного извлеченного текста. Каждая ответная реакция системы «заземлена» (grounded) на конкретную строку или слово на странице, что открывает двери для новых уровней автоматизации, от точного удаления персональных данных до сложного сравнения документов. В этой статье мы подробно разберем, как работают новые модели DPT-3 Pro и DPT-3 Verity, как изменилось ценообразование и почему это критически важно для внедрения AI-агентов в бизнес-процессы.
01От плоских чанков к древовидной структуре: Философия Gen2
Главное изменение в ADE Gen2 заключается в том, как система понимает структуру документа. В предыдущих поколениях OCR и извлечения данных часто выдавали «плоский» список блоков текста, теряя контекст их расположения. Gen2 возвращает иерархическую структуру: Документ → Страницы → Блоки. Это позволяет агентам ИИ понимать не только что написано, но и как это организовано на странице.
Каждый блок в этой структуре имеет уникальный семантический идентификатор (например, table-1, text-5), который остается стабильным в рамках одного ответа. Хотя этот ID может меняться при повторном разборе того же документа, он обеспечивает необходимую связность для обработки данных в реальном времени. Такая структура позволяет извлекать не только текст, но и сложные элементы, такие как подписи, печати, логотипы и даже математические формулы в формате LaTeX, сохраняя их логическое место в документе.
02Две модели вместо одной: DPT-3 Pro и DPT-3 Verity
Одной из самых значимых архитектурных инноваций ADE Gen2 является разделение задач распознавания на две специализированные модели. Раньше разработчикам приходилось выбирать один универсальный движок, который часто был либо слишком дорогим для простых задач, либо недостаточно точным для сложных. Теперь же система предлагает выбор, основанный на типе документа и требуемой точности.
DPT-3 Verity: Скорость и точность для цифровых документов
Модель DPT-3 Verity создана для детерминированного распознавания цифровых документов. Ее главная задача — транскрибация с высокой точностью. Verity возвращает не только текст, но и ограничивающие рамки (bounding boxes) и оценки уверенности (confidence scores) для каждого отдельного слова. Эта модель оптимизирована для высоконагруженных сценариев: массовая обработка текстов, простых форм и таблиц. Если ваш документ — это скан или фото, Verity может не справиться, но для цифровых PDF и Word-файлов она является идеальным выбором благодаря своей скорости и низкой стоимости.
DPT-3 Pro: Глубокое понимание структуры
Модель DPT-3 Pro — это тяжеловес, предназначенный для сложных случаев. Перед тем как начать распознавание слов, Pro сначала анализирует макет страницы. Он определяет типы блоков: таблицы, фигуры, поля marginalia (примечания по краям), подписи и печати. Pro обрабатывает отсканированные страницы, рукописный текст, нелатинские скрипты и даже сложные математические формулы. Если Verity — это быстрый курьер, то Pro — это детектив, который изучает каждую деталь документа.
Команда LandingAI планирует внедрить автоматическую маршрутизацию запросов между Pro и Verity уже к осени 2026 года. Это означает, что система сама будет решать, какой моделью лучше воспользоваться, исходя из содержимого документа, что максимизирует экономию и скорость.
03Революция в ценообразовании: Платите за результат, а не за страницу
Самая обсуждаемая часть запуска ADE Gen2 — это новая модель ценообразования. Раньше, в эпоху DPT-2, каждая страница стоила фиксированные 3 кредита. Это было несправедливо для документов с большим количеством «пустого» пространства или, наоборот, невыгодно для сверхплотных страниц с мелким текстом. Gen2 вводит гибридную модель: плата за страницу + плата за количество извлеченных символов.
Как рассчитываются затраты?
На уровне Priority (приоритетный, для интерактивных запросов, где человек или агент ждет ответа):
- DPT-3 Pro: плата за страницу + плата за извлеченные символы.
- DPT-3 Verity: заметно дешевле, чем Pro, и оптимизирована для массовых задач.
Существует также Standard (стандартный) уровень, который снижает стоимость примерно вдвое по сравнению с Priority, но работает асинхронно, что подходит для пайплайнов, где можно tolerate задержки. LandingAI заявляет о значительном снижении затрат (от 25% до 80% в смешанных сценариях) и возможности обработки страниц за доли цента при использовании Verity на стандартном тарифе. Однако стоит учитывать, что из-за привязки к количеству символов плотные документы могут обходиться дороже, чем в старой модели.
04Блоки, а не чанки: Структура ответа
Ответ Parse v2 имеет три основных поля: markdown (в порядке чтения), metadata и structure. Структура представляет собой узел документа, дочерними элементами которого являются страницы, а их дочерними элементами — блоки. Типы блоков включают текст, таблицу, ячейку таблицы, фигуру, marginalia, аттестацию, логотип, карту и штрих-код. Каждый блок несет семантический ID в формате type-index, который стабилен в рамках одного ответа, но не при повторных разборах того же документа.
Markdown-вывод также стандартизирован. Фигуры используют специальные элементы с сгенерированным описанием, чтобы транскрипция не путалась с комментарием модели. Аттестации выдают стеки меток, такие как [STAMPED][SIGNED], с фиксированными литералами для нечитаемых подписей или текста. Таблицы по умолчанию поставляются в формате HTML для сохранения объединенных ячеек.
05Атомарное заземление и возможности
Атомарное заземление (atomic grounding) — это самая значимая возможность нового релиза. Каждый конечный блок содержит массив заземления: одна запись на визуальную строку для DPT-3 Pro и одна запись на слово для DPT-3 Verity. Verity прикрепляет значение уверенности от 0 до 1 для каждого слова, что позволяет точно верифицировать извлеченные данные.
Источник: MarkTechPost ↗