Cui et al., “RT-DocLayout: Real-Time End-to-End Document Layout Analysis with Reading Order in the Wild”, 2026 · arXiv:2606.23344
企业文档很少是一张干净的页面:它被歪着扫描、被拍照、被折叠。由多个模型串联的流水线会把误差从一个环节累积到下一个环节。
在 DeepView 中:劣化文档上的版面分析
阅读全文 →研究
DeepView 是一个检索增强生成(Retrieval-Augmented Generation,RAG)系统。它的每个组件都实现了一种经科研界发表并评估过的方法:词法检索与稠密检索、排名融合、重排序、知识图谱抽取、答案有据性核验。
我们只采用来自该领域顶级会议和团队、并且在真实文档上经得起检验的工作。每篇出版物都有自己的评注:它所形式化的问题、它提出的方法,以及我们的实现从中保留了什么,包括我们有意偏离原始工作的地方。
Cui et al., “RT-DocLayout: Real-Time End-to-End Document Layout Analysis with Reading Order in the Wild”, 2026 · arXiv:2606.23344
企业文档很少是一张干净的页面:它被歪着扫描、被拍照、被折叠。由多个模型串联的流水线会把误差从一个环节累积到下一个环节。
在 DeepView 中:劣化文档上的版面分析
阅读全文 →Śmigielski et al., “Chunking Methods on Retrieval-Augmented Generation: Effectiveness Evaluation Against Computational Cost and Limitations”, Wrocław University of Science and Technology, 2026 · arXiv:2606.00881
把文档切分为段落被当作一项无关紧要的技术设置。实际上,它是对系统能检索到什么影响最大的选择之一。
在 DeepView 中:分块策略的选择
阅读全文 →Auer et al., “Docling Technical Report”, IBM Research, 2024 · arXiv:2408.09869
PDF 格式编码的是渲染结果,而非结构:只是按坐标定位的字形。阅读顺序、分栏和表格都必须通过推断来重建。
在 DeepView 中:索引阶段的版面分析
阅读全文 →Lewis et al., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, NeurIPS 2020 · arXiv:2005.11401
语言模型的知识在训练之日即固化于其参数中。当被问及该分布之外的内容时,它生成的是一个貌似合理的答案,而不是拒答。
在 DeepView 中:系统的整体架构
阅读全文 →Robertson & Zaragoza, “The Probabilistic Relevance Framework: BM25 and Beyond”, Foundations and Trends in Information Retrieval, 2009
稠密表示将罕见词项投射到连续空间中,一个标识符在其中失去了使其具有区分力的特异性。词法加权仍然不可或缺。
在 DeepView 中:检索中的词法组件
阅读全文 →Reimers & Gurevych, “Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks”, EMNLP 2019 · arXiv:1908.10084
一旦同一概念的两种表述不共享任何词项,词法匹配就会失效。这就是查询与文档之间的词汇不匹配问题。
在 DeepView 中:检索中的稠密组件
阅读全文 →Nogueira & Cho, “Passage Re-ranking with BERT”, 2019 · arXiv:1901.04085
独立编码器可建索引但不够精确:查询和段落被分别向量化,二者的词项之间没有交互。
在 DeepView 中:候选结果的重排序
阅读全文 →Cormack, Clarke & Büttcher, “Reciprocal Rank Fusion Outperforms Condorcet and Individual Rank Learning Methods”, SIGIR 2009
BM25 分数与余弦相似度既没有相同的尺度,也没有相同的分布。对它们做线性组合,意味着需要一种没有任何依据的归一化。
在 DeepView 中:排名融合
阅读全文 →Edge et al., “From Local to Global: A Graph RAG Approach to Query-Focused Summarization”, Microsoft Research, 2024 · arXiv:2404.16130
基于段落的检索独立处理每个单元。一个答案分散在数十份文档中的查询,超出了这一范式所能构建的范围。
在 DeepView 中:图谱的抽取与遍历
阅读全文 →Asai et al., “Self-RAG: Learning to Retrieve, Generate and Critique through Self-Reflection”, ICLR 2024 · arXiv:2310.11511
相关的上下文并不约束生成。模型可能产出一个无法由所提供段落蕴含的断言,而没有任何东西对此发出提示。
在 DeepView 中:逐句核验
阅读全文 →Yan et al., “Corrective Retrieval Augmented Generation”, 2024 · arXiv:2401.15884
生成质量受限于检索质量。一个无条件生成的系统会把检索失败传播为流畅而错误的答案。
在 DeepView 中:生成前对候选结果的评估
阅读全文 →这些工作属于其作者,与 Alister AI 没有任何关联:我们既不主张其著作权,也不声称获得其支持,这些作者中没有任何人参与过 DeepView。我们依据两条标准选取一篇出版物:其评估是否扎实,以及它在真实文档上是否站得住脚,而不只是在学术基准数据集上。一个在企业文档面前无法保持的增益,无论会议多么著名,我们都不感兴趣。也正因如此,当我们的部署约束需要其他选择时,我们有时会偏离原始方法:这些偏离都在相关评注中加以说明。
评估
我们在一个按复杂度分层的问题集上,评估知识图谱相对于纯向量 RAG 架构所带来的增益。协议如下;评估活动正在进行中。
答案逐字出现在单个段落中。
问题与相关段落不共享任何词汇。
答案需要组合多个段落或文档。
答案需要沿着实体之间的关系链进行追踪。
专门构造的问题,使得仅靠向量相似度不足以作答。
评估活动正在进行中。我们将在此发布完整研究:详细协议、问题集、按等级和按指标的量化结果。在此之前,旁边的图表表示的是我们的工作假设,而非测量结果。