財務報告是公眾和投資者了解企業(yè)經營狀況的主要信源之一。步入8月中下旬，上市公司進入了中報披露高峰期。據東方財富Choice數據統(tǒng)計，截至8月中旬，A股有超過1700只個股公布了2024年半年度業(yè)績預告，海量的財報文件的解讀對于金融行業(yè)從業(yè)者而言，產生了巨大的工作量。

隨著人工智能技術的深入發(fā)展，部分企業(yè)和個人開始嘗試用大模型進行財務報表分析。針對大模型“理解力”薄弱，數據讀取錯誤等問題，合合信息大模型“加速器”方案優(yōu)化升級了PDF文檔解析技術，將非結構化的PDF內容轉換為結構化數據，提高大模型圖表類數據提取準確性和版面理解能力，助力大模型實現從“泛讀”到“精讀”的能力跨越。

PDF是主流的電子文件格式之一。文檔解析技術可將PDF、圖片等多種格式的文件解析為 Markdown 或 JSON 格式的文檔，并以一種對大模型友好的方式呈現。

文檔解析技術是大模型理解和處理文檔的前提，相關能力的缺失，會導致大模型在理解版面不同區(qū)域的內容排列順序、要點時遇到障礙，影響大模型的“理解力”，財務報表中的關鍵信息可能會丟失或被誤解，使得模型生成的答案不夠精準，無法正確回答用戶的查詢。

“人類閱讀文章時可以自然地判斷版面元素的作用，但機器要經歷層層拆解的過程才能‘讀懂’文章。”據合合信息技術團隊成員介紹，財報、年報文件多以PDF格式為主，其中包含著各類復雜表格、圖表、證照等元素。大模型現階段存在的文檔解析能力缺陷主要體現如下方面：文檔識別失敗率高，面對復雜版面，無法正確解析，獲取標題、分塊文本、圖表等。在這種情況下，大模型常表現為細節(jié)信息提供答案失敗或回答錯誤；邏輯結構解析不完整也是核心問題之一，段落語義劃分錯誤，會導致大模型回答不全面或出現總結性偏差的狀況。、

圖 1：合合信息PDF文檔解析技術在大模型表格解析中的效果

據了解，合合信息PDF文檔解析技術具備多文檔元素識別、版面分析能力，可以識別文檔中的段落、公式、頁眉、頁腳等多種元素，并進行對應的處理。在應對財報中常見的無線表、合并單元格、不規(guī)則行距、跨段、跨頁等障礙時，該技術也能做到準確還原各類表格結構。

為了讓大模型像專業(yè)人士一樣閱讀文本，PDF文檔解析技術可對各類學術文獻進行版面元素的識別及閱讀順序的判定。該技術不僅能夠準確定位文檔中的關鍵信息段落，還能根據PDF文檔的布局和格式，推斷出人類閱讀時的順序，而非機械地判定為從左至右排序，避免把完整的段落文字“攔腰斬斷”，真正做到了“所見即所得”。

圖 2：合合信息PDF文檔解析技術對雙欄論文的解析效果

合合信息技術團隊成員表示，上市公司年報頁數大多集中在200至300頁的范圍內，一個熟練的分析師可能在幾天到一周的時間內完成對年報的基本分析，PDF文檔解析工具最快能在1.5秒完成百頁文檔的解析，按8小時為一天工作時間計算，解析工具可幫助大模型在一日內對數千家企業(yè)的年報數據進行精準分析。隨著無紙化辦公、數字化趨勢發(fā)展，PDF文檔解析技術有望被應用于更廣泛的場景。