Chapter 7：Document AI¶

Introduction to Document AI¶

1. 学习目标（Learning Objectives）¶

完成本章学习后，你应该能够：

理解 Document AI 的基本概念
了解现代 Document AI 系统组成
掌握文档智能处理流程
熟悉主要研究任务
了解主流公开数据集
理解实验室技术路线
为后续科研做好知识准备

2. 什么是 Document AI？¶

Document AI（文档智能）是利用人工智能技术自动理解、分析和处理文档内容的研究领域。

处理对象包括：

PDF
扫描文档
图片
表格
表单
学术论文
合同
发票
证件
手写文档

Document AI 的目标不仅是识别文字，更重要的是理解文档的结构与语义。

3. 为什么研究 Document AI？¶

传统 OCR 只能识别文字。

现代 Document AI 更关注：

文档结构
页面布局
阅读顺序
表格关系
图文关系
文档语义

随着 Vision Language Model 的发展，Document AI 已成为多模态人工智能的重要研究方向。

4. Document AI 技术流程¶

一个典型的 Document AI 系统通常包含以下流程：

文档输入
      │
      ▼
图像预处理
      │
      ▼
OCR
      │
      ▼
版面分析
      │
      ▼
文档结构恢复
      │
      ▼
内容理解
      │
      ▼
结构化输出

实验室后续所有项目都围绕这一流程展开。

5. 核心研究任务¶

OCR（Optical Character Recognition）¶

识别文档中的文字内容。

Layout Analysis¶

识别标题、正文、图片、页眉、页脚、公式等版面元素。

Reading Order¶

恢复正确的阅读顺序。

Table Recognition¶

识别并恢复表格结构。

Formula Recognition¶

识别数学公式并转换为可编辑格式。

Chart Understanding¶

理解图表中的信息。

Document Parsing¶

将复杂文档转换为结构化表示。

Information Extraction¶

提取指定信息，如姓名、日期、金额、编号等。

6. 主流技术路线¶

目前主要有三类技术路线：

技术路线	特点
OCR + Rules	传统方法，依赖规则，泛化能力有限
OCR + Deep Learning	使用深度学习提升识别效果
Vision Language Model	端到端、多模态理解，当前主流方向

实验室重点关注第三种技术路线。

7. 主流模型¶

建议重点关注以下模型。

模型	主要特点
Qwen3.5-VL	通用视觉语言模型
SmolDocling	文档解析
InternVL	多模态理解
Florence	图像理解
PaddleOCR-VL	OCR 与文档理解
MinerU	PDF 解析

后续课程将逐步学习这些模型。

8. 主流公开数据集¶

建议熟悉以下数据集。

数据集	应用方向
OmniDocBench	综合文档理解 Benchmark
DocLayNet	版面分析
PubLayNet	学术文档版面分析
DocVQA	文档问答
OCRBench	OCR Benchmark

阅读数据集说明，了解数据格式和评测方式。

9. 实验室技术路线¶

实验室主要采用以下技术路线：

公开数据集
      │
      ▼
基础模型
      │
      ▼
Prompt Engineering
      │
      ▼
Benchmark
      │
      ▼
模型优化
      │
      ▼
微调（LoRA）
      │
      ▼
科研论文

坚持"先复现，再优化，最后创新"的研究思路。

10. 本章实践（Hands-on Practice）¶

完成以下任务。

任务一¶

阅读一个 Document AI 模型的官方介绍。

任务二¶

下载一个公开文档数据集。

任务三¶

使用任意模型完成一次文档解析实验。

任务四¶

分析模型在以下任务中的表现：

OCR
版面分析
表格识别
阅读顺序

记录实验结果。

任务五¶

绘制你理解的 Document AI 技术流程图。

11. 本章总结（Summary）¶

本章建立了 Document AI 的整体知识体系。

完成本章后，你应该能够：

理解 Document AI 的研究目标
掌握典型技术流程
了解核心研究任务
熟悉主流模型与数据集
理解实验室整体研究路线

这将为后续科研工作提供理论基础。