So sánh 8 công cụ phân tích cú pháp PDF qua 14 tính năng xử lý tài liệu
Một nhà phát triển đã đánh giá 8 công cụ phân tích cú pháp PDF và mô hình OCR, bao gồm Chandra, MinerU và Granite-Docling, trên 14 tính năng khác nhau. Kết quả thử nghiệm cho thấy mô hình Chandra của Datalab đạt độ chính xác tuyệt đối 14/14 nhưng lại gặp vấn đề về độ trễ cao, mất tới 91 giây cho mỗi trang trên GPU L4. Việc phân tích cú pháp PDF là một nút thắt cổ chai quan trọng trong việc chuẩn bị dữ liệu cho các mô hình ngôn ngữ lớn (LLM) và hệ thống RAG (Tạo lập tăng cường truy xuất). Thử nghiệm này làm nổi bật sự đánh đổi rõ rệt giữa tốc độ xử lý và độ chính xác, đặc biệt là khi xử lý các yếu tố phức tạp như chữ viết tay, bảng biểu và công thức toán học. Trong khi Chandra xuất sắc trong việc xử lý các bảng gộp ô, LaTeX và chữ viết tay, hầu hết các công cụ khác đều gặp khó khăn lớn với chữ viết tay hoặc tự tạo ra văn bản giả (ảo giác) đè lên các vết bẩn trên tài liệu. LightOnOCR-1B nổi lên như một giải pháp thay thế nhanh hơn với tốc độ 7,9 giây một trang, mặc dù vẫn gặp lỗi ảo giác và phân tích thiếu trang.
## KIẾN THỨC NỀN
Phân tích cú pháp PDF liên quan đến việc chuyển đổi các định dạng tài liệu phi cấu trúc thành văn bản có cấu trúc như Markdown hoặc HTML để các mô hình AI có thể dễ dàng tiếp nhận. Các công cụ OCR (Nhận dạng ký tự quang học) truyền thống thường gặp khó khăn với bố cục phức tạp, chữ viết tay và công thức, dẫn đến sự ra đời của các Mô hình Ngôn ngữ - Thị giác (VLM) được thiết kế riêng cho việc hiểu tài liệu.