Hugging Face blogAI 評分59
Dharma 發布 20 億引數文件欄位抽取模型，稱優於前沿 LLM
Dharma-AI 發布 Field Extractor：一個 20 億引數模型，從任意型別文件抽取指定欄位並直接輸出 JSON。它支援無 schema 的開放式抽取，也支援按給定 schema 返回，欄位型別可為 string、number、boolean，文件中沒有的欄位返回 null，同一權重無需按文件型別微調。
搜尋
依意思最接近的 8 筆
量子位● 精選AI 評分78
1.3B 開源 OCR 模型 OXR 登頂三大文件解析榜單
僅 1.3B 引數的國產開源文件解析模型 OXR 在 OmniDocBench（97.18）、olmOCR-Bench（87.84）、DocParsingBench（87.76）三榜均列第一。它一次可解析表格、公式、程式碼塊、化學方程式等 13 類元素並輸出結構化 Markdown，單張 RTX PRO 6000 處理 100 頁文件僅需 101 秒。訓練引入 RSI 遞迴自我改進，不依賴新增人工標註；版面分析為獨立可插拔模組。程式碼與權重已開源，官方另提供免註冊免費 API，RTX 3060 即可本地執行。
量子位● 精選AI 評分67
1.3B 的 OXR 開源登頂三項文件解析榜，速度超 PaddleOCR、MinerU
1.3B 引數的開源文件解析模型 OXR 在 OmniDocBench、olmOCR-Bench、DocParsingBench 三項基準上分別取得 97.18、87.84、87.76 分，均列第一。它覆蓋文字、表格、公式、化學結構式等 13 類元素，輸出 Markdown / JSON 並保留版面座標，公式轉 LaTeX、表格轉 HTML。
Hacker News front pageAI 評分62
TypeSafe Jev 聯合 Unsiloed 複核文件抽取欄位
TypeSafe 介紹了把 Unsiloed 的抽取結果交給 Jev 判定的文件複核流水線。Unsiloed 返回欄位值、extraction_score 與 grounding_score 兩個 0–1 置信分以及頁碼和包圍框引用；Jev 用 Noul、Choice、Score 三種答案型別把定向問題轉成帶型別的判斷。範例的六行用藥清單中一行劑量被咖啡漬遮擋、一行數量明顯不合理，Jev 對 row-5 返回 Noul 值 0.94。
Hacker News front page● 精選AI 評分76
AI 代理一夜檢索 435 萬頁檔案，挖出被遺忘的隕石記錄
一名軟體工程師用 Claude Code 搭建 AI 流水線，在一夜 12 小時內檢索 435 萬頁荷蘭東印度公司檔案與舊報紙，發現一份被遺忘的隕石記錄、三隻未記錄的犀牛和未定位的火山噴發。他把 570 萬段文字轉成語義向量檢索，再用每百萬詞僅幾美分的小型決策模型 Jev 初篩（讀 5.9 萬條大象記錄約 3 美元），由 Claude Haiku 精讀並核對原始掃描頁。靈感來自歷史學家 Benjamin Breen 用 Opus 5.5 找到的 1615 年渡渡鳥目擊記錄。
The Verge AIAI 評分70
OpenAI、Google、微軟、Anthropic 將採用統一免抓取標準
OpenAI、Google、Microsoft 與 Anthropic 表示將採用一項新的統一標準，讓出版商一次性宣告網站內容不希望被 AI 抓取。這一共享的 policy token 訊號由 Anthropic 標準技術負責人 Kevin Kelley 在 IETF 提出，將寫入網站既有的 robots.txt 檔案，該檔案長期用於告知爬蟲能否抓取站點，用途涵蓋搜尋索引、歸檔等。此前出版商需要針對各家 AI 公司分別設定訓練偏好。
量子位● 精選AI 評分79
百度開源文心 Unlimited OCR 2，峰值 KV 快取降約 96%
百度發布並開源文心 Unlimited OCR 2，百頁級單序列峰值 KV 快取從 47GB 降到 1.77GB，減少約 96%。它靠稀疏參考滑動視窗注意力 SR-SWA 與分塊無限解碼，可連續解析 3600 頁以上文件，16 路併發吞吐從 360 提升到 1315 Token/秒。MarathonDocBench 得 77.06、MPDocBench 得 84.59，單步解碼速度分別為全注意力和上代 R-SWA 的 7.0 倍與 5.6 倍。
Cloudflare blog (AI)● 精選AI 評分78
Cloudflare 發布抽取模型 Clairic，已在 Workers AI 提供預覽
Cloudflare 推出新一類 System One 抽取模型，首個模型 Clairic 已在 Workers AI 上線預覽（@cf/cloudflare/clairic），並計劃近期釋出開放權重。它單次前向、不生成 token，只對輸入計費，通常一秒內返回。可從非結構化文字（最多附 4 張圖片）中抽取名稱、日期、金額、列表等帶置信度的型別化數值，也能估算與預測未來序列並給出 80% 區間；找不到答案時返回 null。