sycamore

sycamore

AI文档处理与数据抽取

Sycamore是一个开源的AI文档处理引擎,针对ETL、RAG和LLM应用。它具备处理和丰富各类文档(如报告、幻灯片和手册)的能力,特别在PDF和嵌入图表的图像处理上表现优异。借助Aryn Partitioning Service,Sycamore实现了高效的文档分割、OCR和数据提取,极大提升了数据块分割准确性和检索效果。其DocSet抽象模型支持大规模数据处理,包括表格提取和视觉摘要,确保高质量数据可以轻松载入向量数据库和混合搜索引擎。

SycamoreAryn Partitioning ServiceDETR AI model文档处理引擎矢量数据库Github开源项目

Sycamore 项目介绍

Sycamore 是一个开源的,人工智能驱动的文档处理引擎,专为ETL(提取、转换、加载)、RAG(检索增强生成)、基于LLM(大规模语言模型)的应用程序和非结构化数据的分析而设计。这个项目能够分割和丰富各种文档类型,包括报告、演示文稿、抄本、手册等等。Sycamore 可以分析复杂的文档,例如包含内嵌表格、图形、图表及其他信息图的PDF和图片。

基本功能

Sycamore 利用 Aryn DocParse(以前称为 Aryn 分区服务)来处理文档。这是一个无服务器的、利用GPU的API,用于分割和标记文档,进行光学字符识别(OCR)、提取表格和图像等。它使用了Aryn最先进的开源深度学习模型 DETR,经过超过80k家企业文档的训练,与其他系统相比,它的数据分块准确性增加了6倍,同时在混合搜索或RAG方面的召回率提高了2倍。

Aryn DocParse 接受各种文档格式并返回JSON格式的分区输出。此外,用户还可以使用 Sycamore 进行进一步的数据提取、丰富、转换、清洗以及加载到数据库中。对于这些转换,用户可以选择使用不同的LLM。

Sycamore 还能够将高质量的数据加载到各种矢量数据库和混合搜索引擎中,包括 OpenSearch、ElasticSearch、Pinecone、DuckDB、Qdrant 和 Weaviate。

框架特色

Sycamore 框架基于一种称为 DocSet 的文档处理抽象构建,提供了强大的高层次Python变换工具用于数据处理、丰富和清洗。DocSet 也包含了可扩展的数据处理技术,可以可靠加载数据块。它的函数式编程方式允许用户快速自定义和实验,以改进RAG的结果质量。

项目功能

  • 与 Aryn DocParse 集成,使用最先进的视觉AI模型进行分段,并保留文档的语义结构
  • DocSet 抽象能够扩展和可靠地转换和操作非结构化文档
  • 高质量的表格提取、OCR、视觉摘要、和由LLM驱动的用户自定义函数(UDF)及其他高效Python数据变换
  • 快速创建矢量嵌入,用户可以选择使用的AI模型
  • 提供自动数据抓取器支持(例如 Amazon S3 和 HTTP)、用于编写和迭代作业的 Jupyter notebook,以及用于测试的 OpenSearch 混合搜索和 RAG 引擎
  • 可扩展的 Ray 后端

使用指南

Sycamore 目前可以运行在 Linux 和 Mac OS 系统上。用户可以通过运行 pip install sycamore-ai 来安装该项目。此外,Sycamore 提供了通过Python extras连接至矢量数据库的功能,例如,通过 pip install sycamore-ai[duckdb] 安装连接器。

使用 Aryn DocParse 需要注册并获取API密钥。

获取更多信息

用户可以访问以下资源来了解更多关于 Sycamore 项目的信息:

贡献指南

想要为 Sycamore 项目做出贡献的用户可以查看 贡献指南,了解更多关于如何参与开发及设置开发环境的信息。

通过这些功能和资源,Sycamore 提供了一个强大的平台来简化和加速复杂的文档处理和分析任务。

编辑推荐精选

TRAE编程

TRAE编程

AI辅助编程,代码自动修复

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

下拉加载更多