打造自己的RAG解析大模型：(可商用)智能文档分析解决方案！

随着技术的飞速发展，文档智能解析领域迎来了更加创新的解决方案。近日，百度发布了PP-ChatOCRv3，基于数据融合技术，提供了OCR模型的二次开发功能，大幅提升了模型的微调能力。该技术将百万级高质量的通用OCR数据与垂直领域的模型训练数据按特定比例融合，解决了传统行业模型训练过程中，通用文本识别能力减弱的难题。这一突破性技术在自动化办公、金融风控、医疗健康等多个行业场景中都有广泛的应用潜力。

当然，使用这一创新技术仍需要一定的学习成本，但凭借其低代码开发能力，相信很快就能上手，构建更优质的文档解析组件，并为RAG（检索增强生成）提供高质量的知识库支持。为此，我们将通过百度飞桨平台的低代码开发工具PaddleX，探索如何更轻松地开发和部署这一先进技术。接下来，让我们详细了解PaddleX的核心能力，看看它能为文档解析带来怎样的提升。

新特性

• 飞桨低代码开发工具PaddleX，依托于PaddleOCR的先进技术，支持了OCR领域的低代码全流程开发能力：

• 模型丰富一键调用：将文本图像智能分析、通用OCR、通用版面解析、通用表格识别、公式识别、印章文本识别涉及的17个模型整合为6条模型产线，通过极简的Python API一键调用，快速体验模型效果。此外，同一套API，也支持图像分类、目标检测、图像分割、时序预测等共计200+模型，形成20+单功能模块，方便开发者进行模型组合使用。

• 提高效率降低门槛：提供基于统一命令和图形界面两种方式，实现模型简洁高效的使用、组合与定制。支持高性能推理、服务化部署和端侧部署等多种部署方式。此外，对于各种主流硬件如英伟达GPU、昆仑芯、昇腾、寒武纪和海光等，进行模型开发时，都可以无缝切换。

• 支持文档场景信息抽取v3(PP-ChatOCRv3-doc)、基于RT-DETR的高精度版面区域检测模型和PicoDet的高效率版面区域检测模型、高精度表格结构识别模型SLANet_Plus、文本图像矫正模型UVDoc、公式识别模型LatexOCR、基于PP-LCNet的文档图像方向分类模型。

今天我们重点讲文档场景信息抽取v3，文档场景信息抽取v3（PP-ChatOCRv3）是飞桨特色的文档和图像智能分析解决方案，结合了 LLM 和 OCR 技术，一站式解决版面分析、生僻字、多页 pdf、表格、印章识别等常见的复杂文档信息抽取难点问题，结合文心大模型将海量数据和知识相融合，准确率高且应用广泛。

文档场景信息抽取v3中包含表格结构识别模块、版面区域检测模块、文本检测模块、文本识别模块、印章文本检测模块、文本图像矫正模块、文档图像方向分类模块。

开发体验

飞桨为文档场景信息抽取V3提供了两种使用方式：在线使用和二次开发。

如果使用在线方案，您只能调用飞桨已经训练好的模型，适用于默认模型在您的应用场景中能够满足精度或速度需求的情况。如果现有模型不理想，飞浆还支持您通过二次开发的方式，利用自己特定领域的数据进行模型微调。这种方法能够进一步提升在行业场景中的表格识别效果，实现更精准的文档信息抽取，满足更复杂的业务需求。

实现二次开发：

• PaddlePaddle本地安装

pip install paddlepaddle==3.0.0b1 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

安装完成后，使用以下命令可以验证 PaddlePaddle 是否安装成功：

python -c "import paddle; print(paddle.__version__)"

如果输出以下内容，说明已成功安装。

3.0.0-beta1

• 获取PaddleX并安装

执行以下命令获取源码：

git clone https://github.com/PaddlePaddle/PaddleX.git

如果访问 GitHub 网速较慢，可以从 Gitee 下载，命令如下：

git clone https://gitee.com/paddlepaddle/PaddleX.git

获取 PaddleX 最新源码之后，您可以选择Wheel包安装模式或插件安装模式。

Wheel包安装模式：

cd PaddleX``   ``# 安装 PaddleX whl``# -e：以可编辑模式安装，当前项目的代码更改，都会直接作用到已经安装的 PaddleX Wheel``pip install -e .

推理预测

要创建一个表格识别的应用程序，并验证其发布是否如百度飞桨所说的那样简单，可以按照以下步骤进行操作。首先，使用 PyCharm 打开 PaddleX 项目，然后在项目中创建一个 APP 目录，接着在该目录中创建一个名为 TableRes 的文件。接下来，编写相应的代码来实现表格识别功能。通过这种方式，可以快速验证 PaddleX 的表格识别是否方便易用，并且与文档描述一致地提供高效的表格处理能力。

from paddlex import create_model``model = create_model("SLANet")``output = model.predict("table_recognition.jpg", batch_size=1)``for res in output:`    `res.print(json_format=False)`    `res.save_to_img("./output/")`    `res.save_to_json("./output/res.json")

简单来说，只需三步：

• 调用create_model()方法实例化预测模型对象；

• 调用预测模型对象的predict()方法进行推理预测；

• 调用print()、save_to_xxx()等相关方法对预测结果进行可视化或是保存。

图片table_recognition.jpg如下图：

执行TableRes，效果如下：

执行代码后生成output目录，目录下有两个文件：

*   res.json，保存识别表格后的json格式数据。
    

*   table\_recognition.jpg，可视化识别图片。
    

json格式数据如下图：

可视化识别结构：

总结

经过实际体验，PaddleX 的安装和发布确实比以往的开源项目 PaddleOCR 要简便许多。完成安装后，您不仅获得了 PaddleOCR 的功能，还同时集成了六大模块，包括 'PaddleDetection', 'PaddleClas', 'PaddleTS', 'PaddleSeg', 'PaddleNLP', 和 'PaddleOCR'。这种“一站式”安装让开发更加高效，不需要单独为每个模块设置环境，非常适合需要多任务处理的开发者，极大简化了复杂项目的启动流程。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】