Přečtěte fakturu za sekundu
Vyberte příklad nebo otevřete vlastní fakturu v PDF. Malý model ve vašem prohlížeči najde dodavatele, odběratele, DIČ, data, částky a IBAN a každý údaj označí na stránce. Soubor tuto stránku nikdy neopustí.
Ukázka vyžaduje JavaScript. Model má 34 MB ke stažení, jednou; prohlížeč si ho ponechá.
Čte digitální PDF, jaké exportují účetní programy, v angličtině, polštině, němčině, francouzštině, španělštině a litevštině. Skeny a fotografie nejsou podporovány. Příklady napsal lokální LLM; všechny firmy a čísla v nich jsou smyšlené.
98% vs. 92%Údajů v 60 ručně zkontrolovaných fakturách přečteno správně. Otevřený LLM 200krát větší přečetl 92%.
80% úplnýchTolik z těchto faktur mělo všechny údaje správně; LLM zvládl 53%. Kontrolní číslice a součty jsou zobrazeny vedle údajů.
Pod sekunduNa fakturu ve vašem prohlížeči. LLM potřeboval 1,2 sekundy na fakturu na GPU.
Jak to funguje
DataŽádné skutečné faktury. Generátor vytvořil 9 000 faktur v šesti rozvrženích a šesti jazycích. Lokální otevřený LLM napsal dalších 566 pro 30 oborů podnikání, každou s vlastním rozvržením, a každá byla ještě pětkrát vyplněna smyšlenými názvy a čísly. Každá faktura byla vytištěna do PDF v Chrome a přečtena zpět stejně, jako ji čte tato stránka.
ModelPrvních 12 z 22 vrstev mmBERT-small, doladěných k označení slov jedenácti údajů: 33 MB vah plus slovník o velikosti 1 MB. Stránka se čte blok po bloku, takže se dodavatel a odběratel vytištění vedle sebe nesmíchají. 60 testovacích faktur pochází od stejného LLM, pro deset jiných oborů podnikání, takže 98% je horní hranice.
PravidlaDIČ a IBAN obsahují kontrolní číslice. Výběr, který kontrolou neprojde, se nahradí číslem ze stránky, které projde, a základ plus DPH se musí rovnat celkové částce. Samotná pravidla přečtou 58% údajů a žádnou fakturu celou: nerozpoznají název firmy ani číslo faktury.
Srovnání s LLMQwen 2.5 7B, požádaný o stejné údaje jako JSON, přečetl 92% údajů a 53% faktur celých, při 1,2 sekundy na fakturu na GPU. Hostovaný LLM by navíc musel dostat každou fakturu, za cenu za stránku.
Kód, konfigurace a celý benchmark: github.com/balticml/invoice-extraction. Váhy: huggingface.co/balticml/mmbert-small-invoice-extraction. Chcete to pro své faktury? Domluvte si 30minutový hovor