我们的新一代抽取智能体在跨多页表格上的推理能力非常出色

有时一条记录开始于某一页、结束于下一页。这在真实文档中极为常见（保险理赔、监管申报、法律附表）——比如你把 Word / Google Doc 打印成 PDF 的情况。

我们的智能体可以把这些单元格，连同成百上千的其他单元格一起拼合，输出干净、结构化的表格数据。

来看看吧：https://llamaindex.ai/blog/introducing-extract-v2-5…

来注册 llamaparse 吧：https://cloud.llamaindex.ai

隆重推出 Extract v2.5

来源：https://www.llamaindex.ai/blog/introducing-extract-v2-5

今天我们推出 Extract v2.5——新一代基于 schema 的文档抽取智能体。此次发布在所有层级上都带来了准确率提升，并为我们的最高层级 Agentic 与 Agentic Plus 增强了溯源（grounding）能力。这些改进并不伴随每页价格的上涨，因此无论你使用哪个层级，都能获得更高的单位成本性能。

在 OnExtractBench（https://www.extractbench.ai/）上，三个层级的准确率均有提升。Cost Effective 层级如今已超过上一代的 Agentic 层级，总体 value F1 从 87.1 升至 93.9；Agentic 则超过了上一代的 Agentic Plus，从 89.8 提升到 95.8。我们准确率最高的层级 Agentic Plus，也从 95.1 升至 96.4。

VALUE F1V2.0V2.585909587.189.895.1COST EFFECTIVE 93.9AGENTIC 95.8AGENTIC PLUS 96.40\.000.020\.040.060\.080.10AVERAGE COST PER PAGE (USD)

在底层架构上，我们进行了一系列支撑这些性能提升的架构级改进，其中包括一个专为文档抽取而设计的全新智能体框架（agent harness）。我们借鉴了最新一代编码智能体的思路，围绕模型把每一处细节都调到极致，以应对文档抽取中真实存在的失败模式——涵盖视觉、推理与校验三个环节。最终得到的是一个专门化的智能体：它能跨页交叉核对上下文，并将数值溯源到精确的出处。

第一个变化是结构化推理（Structural Reasoning）。我们基于文档的表示进行结构化推理，根据文档类型、版式与信息密度，实现更高效、更具针对性的抽取。Extract 会针对更复杂的文档自适应地投入推理与算力，以交付最大准确率；对于不那么复杂的文档，则以更低的延迟处理，把精力用在刀刃上。

本次发布为 Agentic 与 Agentic Plus 引入了高级引用（Advanced Citations），帮助为抽取到的数值定位支撑证据。ExtractBench 的溯源得分从 46.8 提升到 80.6（Agentic），从 46.4 提升到 82.2（Agentic Plus）——这意味着即便面对最复杂的版式与抽取任务，你也能获得更准确、更贴合的边界框。

SCOREEXTRACTION APISLLMSV2.0V2.502040608044.346.846.4SONNET 5.5 63.2GPT-6 SOL 77.6OPUS 5.5 77.5REDUCTO DEEP EXTRACT 50.8EXTEND MAX 21.8COST EFFECTIVE 54.3AGENTIC 80.6AGENTIC PLUS 82.20\.000.020\.040.060\.080.100\.120.14$0.16AVERAGE COST PER PAGE (USD)

这些改进体现在 ExtractBench 的各类挑战中，包括长列表、跨页记录以及扫描件表单。下面展示了一些例子，说明在这些任务上抽取与溯源效果的提升。

长列表

长列表甚至会让前沿级 VLM 提前收尾或丢失对重复记录的跟踪。Extract v2.5 使用中间表示来处理完整数据集，并对照你的 schema 校验自身输出。在长列表任务中，Cost Effective 的得分从 82.0 提升到 92.6，Agentic 从 86.1 提升到 95.5。

LONG LIST ACCURACYV2.0V2.5COST EFFECTIVE82.092.6AGENTIC86.195.5AGENTIC PLUS94.596.37580859095100SCORE

在一份 17 页的基金申报文件上，Cost Effective 此前只返回了 238 条持仓中的 87 条。Extract v2.5 返回了全部 238 条，该文档的抽取得分从 52.8 升至 98.7。

238of 238 holdingseach line is one holding

1. p112
2. p215
3. p315
4. p414
5. p515
6. p616
7. p714
8. p815
9. p915
10. p1015
11. p1115
12. p1215
13. p1314
14. p1415
15. p1515
16. p1614
17. p174

holdings: [

…{ issuer_name: “CENTENE CORPORATION”, value_usd: 203604.00 },87holdings

{ issuer_name: “Aktiebolaget Volvo”, value_usd: 552328.91 },{ issuer_name: “AVNET, INC.”, value_usd: 361862.00 },…151missed

238holdings

]

跨页记录

在真实文档中，抽取必须跨页推理。某一页上的内容可能会延伸到多页之后，或者需要与好几页后的附录拼接起来。Extract v2.5 在构建输出时，能更好地保留各字段之间的关联关系。

CROSS-PAGE RECORDS ACCURACYV2.0V2.5COST EFFECTIVE80.392.0AGENTIC85.596.5AGENTIC PLUS93.696.77580859095100SCORE

在这份拨款附表中，Agentic v2.0 在分页处停止了推理，导致该拨款的用途与地址不完整。Extract v2.5 则把下一页的续接内容纳入同一条记录。

address_line11800 WASHINGTON BLVD STE340city, state, zip_code““BALTIMORE MD 21230 purpose_of_grantEDUCATION, HUMAN & SOCIAL SERVICES, DISASTER RELIEF &RECOVERY, COMMUNITY DEVELOPMENT

United Way Worldwide Schedule I, pages 5 and 6, page 5Page 5

United Way Worldwide Schedule I, pages 5 and 6, page 6Page 6

扫描件表单

扫描表单往往混合了印刷字段、叠加文字、手写内容以及审核批注。这类表单中常见的扫描噪声会让这些图层更难区分：印刷的数值可能被划掉，打印后又被手写修正。Extract v2.5 能更好地结合上下文对该字段做视觉理解，并把所需数值从周围的痕迹中分离出来。它现在还能更好地将抽取到的数值溯源回源文档，便于交叉核对与引用。

SCANNED FORMS ACCURACYV2.0V2.5COST EFFECTIVE89.693.9AGENTIC90.995.7AGENTIC PLUS94.496.17580859095100SCORE

在这份带批注的许可证上，Agentic 此前把审核者的日期与许可证编号合并在一起，并把审核批注追加到了淡水深度字段中。Extract v2.5 则把原始数值与批注区分开来，按 schema 要求填入对应字段。

amendment_permit_no“7/29/2019 13445““13445” amendment_permit_no_reviewnull“7/29/2019“

deepest_freshwater_zone“4000 BUQW: 500(1800/3925) USDW: 4000 GEO ISOLATION: 4250““4000” deepest_freshwater_zone_review“4000 BUQW: 500(1800/3925) USDW: 4000 GEO ISOLATION: 4250““BUQW: 500(1800/3925) USDW: 4000 GEO ISOLATION: 4250”

W-14 disposal permit W14-57728, page 1

高级引用（Advanced Citations）

高级引用会为困难字段定位支撑证据的边界框，包括那些并非逐字出现在文档中的数值。此前它已在 Agentic Plus 中提供初步版本。在 v2.5 中，我们进一步提升了它的溯源准确率，并将其扩展到了 Agentic。

Texas P-4, page 1field_namePleasanton (Edwards Lime)lease_nameL.S.U. Lealcurrent_operator_nameSNG Operating, LLCoperator_p5_no797970oil_lse_gas_id_no14068countyAtascosaoperator_address1714 Fortview Road, #106 Austin, Texas 78704well_nos1classification_oilfalseclassification_gasfalseclassification_otherfalseeffective_dateMay 1, 2010change_operatortruechange_oil_condensate_gathererfalsechange_gas_gathererfalsechange_gas_purchaserfalsechange_gas_purchaser_system_codefalsechange_field_namefalsechange_lease_namefalsenew_rrc_oil_leasefalsenew_rrc_gas_wellfalsenew_rrc_other_wellfalsedue_new_completion_recompletionfalsedue_reclass_gas_to_oilfalsedue_reclass_oil_to_gasfalsedue_consolidationfalse

边界框引用与置信度评分配合使用效果最佳。置信度评分能帮助团队判断哪些数值可以自动通过、哪些需要人工复核。在人机协同流程中，审核人员随后可以用引用对照原始文档进行核验。我们的置信度评分指南解释了如何在你自己的文档上评估这一点。

我们如何构建 v2.5

在 LlamaIndex，我们对文档有着极深的理解。我们把这份积累沉淀成了抽取智能体可以调用的工具，用于阅读、转换以及在文档中定位信息。这些工具依托专为任务构建的模型与文档处理方法，来应对不一致的文件格式、有歧义的版式以及源坐标问题。

阅读顺序、表格结构，以及文本与其页面位置之间的关系，都会影响抽取效果。我们的工具为智能体提供了处理这些结构的方式，并让它们在构建输出的过程中随时回到源文档。

在 v2.5 中，我们将 Agentic Plus 背后的框架引入到了 Cost Effective 与 Agentic 中，并针对每个层级的成本约束，对工具与抽取策略做了适配。我们打磨了任务的组织方式、给智能体的上下文，以及它在何时应当更仔细地检视文档。

把这些选择做对，需要大量的测试。在一个短表单上效果很好的方案，面对数百条重复记录时可能就会吃力。我们在这些任务上评估了文档表示、工具与模型配置，并在准确率增益与其所需的时间和算力之间做了权衡。

我们还优化了智能体如何遵循你的 schema 与抽取指令，包括那些字段数高达 3,200 个的任务。例如，如果记录 ID 对于将抽取结果与你的数据库匹配至关重要，就在提示中明确说明，以便智能体给予它们额外的关注。

我们还加入了原生的电子表格抽取能力。在电子表格模式下，智能体直接处理工作簿单元格，而不是扁平化后的表示，这为它们处理结构化数据提供了另一条路径。你可以在抽取配置中启用它。

用你的文档试一试 v2.5

用你现有的 schema，在代表你业务流程的真实文档上试一试 v2.5。我们认为这一版本将在抽取质量上带来显著跃升，尤其是对那些此前需要人工清理、或自动化可靠性不足的文档。期待看到你们用它构建出的作品。

Jerry Liu (@jerryjliu0)： 今天我们推出 Extract v2.5——一系列专为文档抽取调优的前沿智能体。

这些智能体（cost-effective、agentic、agentic plus）针对数值准确率与溯源做了调优。我们的抽取智能体在表现上超过 Opus 5.5 与 GPT-6 Sol，而成本只有它们的 30% 到 1/4。