شرکت LlamaIndex در ۱۸ نوامبر ۲۰۲۶ نسل تازه‌ای از مدل‌های تحلیل سند خود به نام OCRia-1.5 را معرفی کرد که سرویس LlamaParse را پشتیبانی می‌کنند. این نوشته، به قلم Gauthami Polasani، می‌گوید به‌روزرسانی در جدول‌ها، نمودارها و فرم‌های پیچیده دقیق‌تر است و کادرهای مرزی را نسبت به OCRia-1 با دقت بیشتری قرار می‌دهد؛ همان مدل چهار میلیارد پارامتری که شرکت چند هفته پیش با تمرکز بر جدول‌ها و نمودارهای پیچیده عرضه کرده بود.

OCRia-1.5 در دو اندازه ارائه می‌شود. OCRia-1.5-4B نسخه ارتقایافته و شاخص است و لایه Agentic در LlamaParse را اجرا می‌کند. OCRia-1.5-2B تازه است، نیمی از پارامترهای OCRia-1 را دارد و لایه Cost Effective را اجرا می‌کند. هر دو مدل از امروز در LlamaParse فعال‌اند. مدل ۲ میلیارد پارامتری برای هر صفحه ۳ اعتبار هزینه دارد و برای پردازش حجم بالا در نظر گرفته شده، در حالی که مدل ۴ میلیارد پارامتری برای هر صفحه ۱۰ اعتبار هزینه دارد و به گفته LlamaIndex همچنان دقیق‌ترین گزینه برای جدول‌ها و نمودارهای پیچیده است.

شرکت دستاوردهای خود را بر پایه ParseBench-2، آزمون اختصاصی خودش برای تحلیل سند، گزارش می‌کند. امتیاز جدول‌ها در لایه Agentic از ۸۶٫۵ به ۹۰٫۱ و در لایه Cost Effective از ۸۳٫۲ به ۸۷٫۵ رسید و بهبود در جدول‌هایی که سرستون‌های ادغام‌شده دارند بیشتر بود. LlamaIndex مثال صورت مالی را می‌آورد که در آن سرستونی مانند «Three Months Ended» بالای چند ستون قرار دارد: اگر تحلیل‌گر آن را حذف کند، عددها همچنان درست‌اند اما دیگر معلوم نیست سه ماه را پوشش می‌دهند یا دوازده ماه را. امتیاز نمودارها در Agentic از ۷۴٫۹ به ۷۶٫۸ و در Cost Effective از ۶۷٫۳ به ۷۳٫۰ رسید. امتیاز فرم‌ها، که بررسی می‌کند مقدارها به فیلد درست وصل بمانند و چک‌باکس‌ها وضعیتشان را حفظ کنند، در Agentic ۲٫۶ امتیاز و در Cost Effective ۴٫۲ امتیاز بهتر شد.

محور دوم، پیوند بصری با منبع است. برنامه‌ها از کادرهای مرزی LlamaParse برای برجسته‌کردن منبع یک پاسخ استفاده می‌کنند و کادر نابه‌جا می‌تواند به متن مجاور اشاره کند یا بخشی از جدول را بیرون از برجسته‌سازی بگذارد و بررسی پاسخ روی صفحه را دشوار کند. به گفته LlamaIndex، با OCRia-1.5 هر فیلد فرم کادر خودش را دارد و وقتی صفحه دو جدول دارد، هر دو کادر می‌گیرند و هر کادر کل جدول را می‌پوشاند. در ParseBench-2 امتیاز پیوند بصری لایه Cost Effective از ۷۷٫۰ به ۸۸٫۵ رسید و امتیاز Agentic ۴٫۱ امتیاز بالا رفت. شرکت می‌افزاید Cost Effective اکنون در هر شش بعد آزمون دقیق‌تر از پیش است، با اینکه مدلش کوچک‌تر شده است.

شرکت با تکیه بر این نتایج می‌گوید LlamaParse با OCRia-1.5 در ParseBench-2 برای جدول‌ها، نمودارها و قالب‌بندی به بالاترین سطح فعلی رسیده است.

برای تیم‌هایی که سامانه‌های بازیابی و عامل را روی گزارش‌های مالی، فاکتورها و فرم‌های اسکن‌شده می‌سازند، کاربرد عملی در دو نقطه است. ساختار بهتر جدول‌ها خطاهای بی‌صدا در عددهای استخراج‌شده را کم می‌کند و کادرهای دقیق‌تر نشان‌دادن منبع دقیق یک پاسخ به کاربران را آسان می‌سازد. لایه ۲ میلیارد پارامتری گزینه ارزان‌تری هم برای دسته‌های بزرگ می‌دهد.

نتیجه‌گیری محدودیت دارد. آزمون متعلق به خود LlamaIndex است و مقایسه‌ها با مدل قبلی خودش انجام شده، پس ادعای عملکرد در بالاترین سطح مستقل آزمایش نشده است. نوشته نمی‌گوید وزن‌های مدل منتشر شده یا با چه مجوزی، و نتایجی برای سامانه‌های دیگر شرکت‌ها نمی‌دهد. منبع کوتاه است و بنابراین این مقاله فراتر از جزئیات منتشرشده شرکت نمی‌رود.

منابع