标签
DocJev 是一个免费、开源的 Python 工具，用于分类和拆分复杂文档包，支持 PDF、DOCX 和 PPTX，并可选择 OCR。
本文介绍了一种名为CB-MAS的多智能体系统，用于文档敏感性分类。该系统通过迭代咨询和通道增强，解决了BERT等变压器模型中固定输入长度的局限性。
DocJev 是一个使用 Jev 的超快开源库，用于文档分类和分割，支持 OCR 后端如 liteparse 和 LlamaParse，声称比 GPT-5.6-luna 快 6 倍且准确率相当。
使用前沿代理构建用于数据整理的小型分类器可以显著降低成本，相比 LLM 标注，这在 FinePDFs-Edu 数据集的案例研究中得到了证明。
HIRA 是一种免训练、本地部署的检索增强级联系统，用于受监管行业的文档分类。它利用人工反馈和本地部署的大语言模型（LLM）来提高准确性，同时减少模型重新训练和 LLM 调用次数。
SIFT引入了一种自我改进的文档分类器，它使用成本低廉的SPLADE-LightGBM管道和LLM评判器持续自我教学，同时通过冻结门安全机制防止无声退化，从而无需人工标注开销即可实现自主再训练。
本文识别并纠正了RVL-CDIP文档分类数据集中的标签错误和测试-训练重叠，发现12%的标签错误和35%的重复。修正后提高了分类准确率和分布外泛化能力。
本文提出一种KAN增强的BiGRU架构，用于对孟加拉国的多语言法律文档进行分类和摘要生成，取得了适中的准确率和ROUGE分数，并证明KAN模块相比基线BiGRU提升了分类准确率。
本系统综述对139项研究进行了分析，提出了一个统一的框架和元分析，用于通过多模态和多视图信息融合进行文档分类，发现融合提高了准确性（平均提升+5.28个百分点），但也揭示了可重复性挑战。