document-structure

papero-pdf-text-extractor 是一个轻量级 PDF 结构解析工具，无需 ML 模型即可在 CPU 上提取阅读顺序、表格、公式和边界框，支持导出 Markdown、JSON、Word 和 Excel，适用于 RAG、搜索和 LLM 场景。

IBM研究人员介绍了STAIR，一种使用目录来保持文档结构的生成式检索器，实现了82.6%的Recall@1，并降低了RAG系统中的幻觉。

STAIR引入了一种结构感知检索系统，利用目录增强大语言模型的文档检索，在新的SearchTome基准数据集上实现了高性能。