Можно распознать все цифры в прайс-листе — и всё равно перепутать цены. Достаточно поте...
Можно распознать все цифры в прайс-листе — и всё равно перепутать цены. Достаточно потерять связь между колонкой и её заголовком. В новой связке Nemotron 3.5 NVIDIA занялась в том числе этой частью работы. Parse превращает изображение страницы в текст, таблицы и блоки с координатами: сохраняет порядок чтения и место, откуда взялась информация. У модели 631 млн параметров. Дальше Embed ищет подходящие тексты и изображения, включая таблицы и графики. А Rerank заново оценивает найденные фрагменты вместе с вопросом, чтобы выше оказались более подходящие. Модели и примеры собраны в разборе NVIDIA. Это разные звенья: разобрать страницу, найти нужное, отобрать лучшее. Ни одно само по себе не гарантирует правильный ответ. Зато остаётся связь с исходной страницей. Если агент принёс странную цену, можно вернуться к её месту в документе — а не гадать, где он её нашёл.