文档智能常规文档模型

此内容适用于：v3.1 (GA) | 最新版本：v4.0 (GA) | 以前的版本：v3.0

此内容适用于：v3.0 (GA) | 最新版本：v4.0 (GA)v3.1

常规文档功能

• 一般文档模型是一种预先训练的模型，不需要标签或训练。

• 单个 API 从文档中提取键值对、选择标记、文本、表和结构。

• 常规文档模型支持结构化、半结构化和非结构化文档。

• 选择标记被标识为值是 :selected: 或 :unselected: 的字段。

在文档智能工作室中处理的示例文档

键值对提取

常规文档 API 支持大多数表单类型，并会分析文档并提取键和关联值。 它非常适合用于从文档中提取常见的键值对。 可以使用常规文档模型作为训练不带标签的自定义模型的替代方法。

开发选项

文档智能 v3.1 支持以下工具、应用程序和库：

文档智能 v3.0 支持以下工具、应用程序和库：

输入要求

支持以下文件格式。

• 照片和扫描：为获得最佳结果，请为每个文档提供一张清晰的照片或高质量的扫描。
• PDF 和 TIFF：对于 PDF 和 TIFF，最多可以处理 2,000 页。 （使用免费层订阅时，只处理前两个页面。
• 文件大小：用于分析文档的文件大小是付费层 （S0） 层的 500 MB，免费层为 4 MB（F0） 层。
• 图像尺寸：尺寸必须介于 50 像素 x 50 像素和 10,000 像素 x 10,000 像素之间。
• 密码锁：如果 PDF 是密码锁定的，则必须在提交之前删除该锁。
• 文本高度：要提取的文本的最小高度是 1024 x 768 像素图像的 12 像素。 此尺寸对应于 8 点大约文本，即每英寸 150 点。
• 自定义模型训练：自定义模板模型的最大训练页数为 500，自定义神经模型为 50,000。
• 自定义提取模型训练：对于模板模型，训练数据的总大小为 50 MB，神经网络模型为 1 GB。
• 自定义分类模型训练：训练数据的总大小为 1 GB，最大为 10,000 页。 对于 2024-11-30（GA），训练数据的总大小为 2 GB，最大为 10,000 页。
• Office 文件类型（DOCX、XLSX、PPTX）：最大字符串长度限制为 800 万个字符。

常规文档模型数据提取

尝试使用文档智能工作室从表单和文档中提取数据。

需要以下资源：

• Azure 订阅 - 可以创建试用订阅

• Azure 门户中的文档智能实例。 可以使用免费定价层 (F0) 来试用该服务。 在部署资源后，选择“转到资源”以获取密钥和终结点。

1. 在文档智能工作室主页上，选择“常规文档”。

2. 可以分析示例文档或上传自己的文件。

3. 选择“运行分析”按钮，并根据需要配置“分析选项”：

   

   试用文档智能工作室。

键值对

键值对是文档中的特定范围，用于标识标签或键及其关联的响应或值。 在结构化形式中，这些对可以是用户为该字段输入的标签和值。 在非结构化文档中，它们可能是基于段落中的文本执行合同的日期。 AI 模型经过训练，可基于各种文档类型、格式和结构提取可识别的键和值。

当模型检测到有键但无关联的值，或模型处理可选字段时，键也可以单独存在。 例如，在某些实例中，窗体上的中间名字段可留空。 键值对是文档中包含的文本范围。 对应以不同方式描述相同值的文档，例如客户/用户，关联的键将是客户或用户（具体取决于上下文）。

数据提取

✓* - 仅在 2023-07-31 (v3.1 GA) 及更高版本的 API 版本中可用。

支持的语言和区域设置

有关支持的语言的完整列表，请参阅语言支持 - 文档分析模型页。

注意事项

• 由于键是从文档中提取的文本的范围，因此对于半结构化文档，需要将键映射到现有的键字典。

• 可能会看到有键无值的键值对。 例如，用户在表单上选择不提供电子邮件地址。