💡 站外导读:企业 AI 智能体在银行与律所屡屡出错,往往不是推理能力不足,而是 PDF 表格、公式与图表在第一步就被解析错了。刚刚获得 Felicis 领投 750 万美元种子轮的 YC 校友初创公司 Unsiloed AI,凭借“双流视觉模型”与“热图切片算法”,在 Allen AI 开源基准 olmOCR-Bench 上以 88.0 分登顶第一,反超 GPT-5.5 与 Reducto。本文深度剖析其技术架构与评测真相。
7 人团队斩获 750 万美元融资:把企业非结构化文档变成 Agent 的精准燃料

从 IIT Kharagpur 同窗、YC Fall 2025 到银行与律所私有化生产落地
当企业加速把业务流程交给 AI 智能体自动化执行时,沉睡在数百万份 PDF、财务报表、合并单元格与复杂工程图表里的非结构化数据,正在成为卡住 Agent 落地的头号“暗礁”。近日,总部位于旧金山的文档解析基础设施公司 Unsiloed AI 宣布完成由 Felicis 领投的 750 万美元种子轮融资。公司联合创始人兼 CEO Aman Mishra 与联合创始人 Adnan Abbas 曾是印度理工学院卡拉格普尔分校(IIT Kharagpur)同窗,二人于 Y Combinator Fall 2025 孵化期后持续打磨底层解析模型,目前全职团队仅 7 人,本轮融资将用于扩充研究与工程队伍、拓展企业销售以及构建专有高精度文档数据集。
在金融、法律与医疗等容错率极低的行业,一次小数点错位或表格跨栏错读就可能酿成高昂合规与交易损失。Mishra 在接受 TechCrunch 采访时一针见血地指出症结:“通用大语言模型天生是概率性的(inherently probabilistic),直接解析复杂版面必定会引入偏差甚至幻觉,这种误差会在下游 Agent 推理中被成倍放大。”目前 Unsiloed 已深入生产一线:一家商业银行正用其处理核心文档流水线,一家大型律所将其私有化部署于本地服务器以清洗合同与历史卷宗,语音 AI 初创公司 Bolna AI 也已公开采用 Unsiloed 摄入知识库来驱动实时语音智能体。更具极客前瞻性的是,Unsiloed 官网甚至专门搭建了基于 `/llms.txt` 协议的 `agents.unsiloed.ai` 自助商店,允许外部 AI 智能体自主查阅定价并完成支付开通。
双流视觉模型 + 热图切片(Heat Map-based Chunking):算力好钢用在刀刃上
文本 Token 与精确图像 Token 分流,搭配领域解码器与源文档溯源
在 Reducto、Unstructured、LlamaParse 乃至微软、亚马逊云原生文档智能服务林立的拥挤赛道中,只有 7 个人的 Unsiloed 凭什么能把单页起步定价压低到 1 美分($0.01/页),同时保持金融级精度?核心秘诀在于其放弃了“整页文档无差别喂给巨型多模态模型”的粗放管线,转而自研了一套“双流(Dual-stream)视觉架构”与“热图切片算法(Heat map-based chunking)”。
据 Mishra 披露与官方架构说明,模型内部并行维持着两条独立处理通路:一条通路专门提取并处理文本 Token,另一条通路则完整保留原始页面的精确图像 Token,使版面空间结构与文字语义互不丢真。随后,热图切片算法会像雷达扫描一样定位整页文档中最棘手、信息密度最高的核心区域——例如嵌套财务表格、数据图表、微缩脚注与数学公式——并把绝大部分计算资源定向倾斜给这些高价值切片,避免在普通纯文本段落上空耗昂贵 GPU 算力。此外,Unsiloed 还在解码端引入了感知行业语境的专用解码器以消除跨行业多义词歧义,并为每一个提取字段输出原始文档精确坐标溯源(Provenance),方便人类审核员点击回溯原页核验。在某企业客户提供的 542 份真实金融文档(涵盖约 84,000 个提取数据点)内部盲测中,Unsiloed 报出了 99.78% 的准确率,跑赢了主流通用大模型、Azure Document Intelligence 及该客户自研工具(注:该客户内部测试暂未经过独立第三方审计)。
| 评测系统 / 产品 | 所属技术路线 | olmOCR-Bench 严格总分 | 核心表现与架构特征对比 |
|---|---|---|---|
| Unsiloed Parser | 双流视觉模型 + 热图切片 | 88.0(#1,语义纠偏 94.8%) | ArXiv Math(90.5)/Long-Tiny(93.7)/Multi-Col(87.9)/Old Scans(52.9) 四项第一,$0.01/页起 |
| Nanonets OCR-3 | 专用文档 OCR 模型 | 87.4(#2,公开基准快照) | Tables(94.2) 细分项夺冠,综合分以 0.6 分微弱差距屈居第二 |
| GPT-5.5 | 通用旗舰多模态 VLM | 84.6(#3) | 通用语义与推理最强,但全页高分视觉推理成本与时延高于专用切片方案 |
| Claude Opus 4.7 / Gemini 3 Pro | 通用旗舰多模态 VLM | 81.9(#6)/ 77.7(#9) | 具备强泛化理解力,但在极端老旧扫描件与密集表格还原上不及专用解析器 |
| LlamaParse (Agentic) | 智能体文档解析管道 | 73.5(#11) | Old Scans Math(89.7) 夺得单项第一,综合总分落后 Unsiloed 14.5 分 |
| Reducto (Agentic) | 多智能体文档解析 | 66.0(#15) | 采用文本/表格/图表三智能体流水线,实测综合得分落后 Unsiloed 22 分 |
| Azure DI / AWS Textract / Unstructured | 传统云 OCR / 开源解析框架 | 48.7 / 40.2 / 39.9(#17~#19) | 在复杂 LaTeX 公式、多栏排版及低质扫描件场景下存在显著代差 |
olmOCR-Bench 19 强实测全复盘:88.0 分超越 GPT-5.5、Reducto 与 Unstructured
基于 Allen AI 1,403 页 PDF 与 8,413 项单元测试的可复现横评
为了让行业看到透明的横向水位,Unsiloed AI 近期在 Allen AI 开源权威基准测试 `olmOCR-Bench`(采用未修改的上游 `olmocr==0.4.27` 评分代码,全量覆盖 arXiv 学术论文、Internet Archive 历史档案及内部精选文档共 1,403 页单页 PDF、8,413 项严格通过/失败单元测试)上,对 19 款主流开源与商业解析系统进行了统一评测,并将所有厂商的调用配置与运行器代码全部开源在 `github.com/Unsiloed-AI/unsiloed-olmocr-benchmark`。测试中各商业服务均开启各自最高规格的 Agentic/Hi-res 模式,绝不拿默认低配档欺负对手。
最终榜单数据显示,Unsiloed Parser 以 88.0 分的严格通过率位居全行业第一,不仅压过第二名 Nanonets OCR-3(87.4 分)0.6 个百分点,更比通用视觉大模型第一名 GPT-5.5(84.6 分)高出 3.4 分,领先 Claude Opus 4.7(81.9 分)、Qwen3-VL-Plus(77.9 分)与 Gemini 3 Pro(77.7 分)6 至 10 分以上。而在专业文档解析竞品阵营中,Unsiloed 领先 LlamaParse Agentic(73.5 分)14.5 分、领先 Landing AI(69.5 分)18.5 分、领先 Reducto Agentic(66.0 分)22.0 分,更是将传统云服务 Azure Document Intelligence(48.7 分)、AWS Textract(40.2 分)与老牌开源工具 Unstructured(39.9 分)甩出近一倍的差距。在七大细分项中,Unsiloed 在 ArXiv 数学公式(90.5)、长文与极小字号(93.7)、多栏阅读顺序(87.9)与低清历史扫描件(52.9)四项登顶,表格结构保持(93.2)与页眉页脚去噪(94.6)亦稳居前列。
揭开“严格字符串评测”盲区:LLM-as-a-Judge 纠偏后语义准确率飙至 94.8%
91% 的表格报错与 88% 的公式失败竟只是空格和 LaTeX 等价写法?
在拿到 88.0 分的榜首成绩后,Unsiloed 工程团队并未就此止步,而是对剩余约 12% 被基准测试判为“失败”的样本做了一次深入的工程解剖,由此揭示出当前文档 AI 评测体系的一个普遍盲区:严格的字符串比对单元测试(exact-string checks)正在把大量无害的等价改写错杀为“解析失败”。例如,参考答案里写了两个空格的 `”I am Name”` 而模型输出正常单空格、表格单元格内的 `”0.70″` 被识别为带空格的 `”0. 70″`、数学公式中使用了字面希腊字母 `ε` 而非 `epsilon`,或者用 `dfrac{a}{b}`、` imes` 替代了 `rac{a}{b}` 与 `cdot`——这些写法在渲染后与人类阅读及下游大模型理解上完全一致,却一律被判定 0 分。
为此,团队引入 GPT-5.5(设定 `reasoning_effort=medium`, `seed=42`)作为自动化语义裁判(LLM-as-a-Judge),逐条审查失败案例究竟是“真 OCR 漏错”还是“无伤大雅的格式等价改写”。结果令人震撼:在表格维度 70 个失败项中有 64 个(高达 91%)属于表转字符串序列化造成的格式分歧,OCR 本身并未出错;ArXiv 数学公式 277 个失败项中有 243 个(约 88%)为等价 LaTeX 语法;难度最高的历史扫描件(Old Scans)纠偏后分数更是从 52.9 跃升至 72.1(暴涨 19.2 分)。经语义纠偏后,Unsiloed Parser 面向真实下游消费的语义准确率高达 94.8%(团队坦承未对竞品重复此 LLM 裁判流程,故该值仅作架构诊断参考)。同时团队也坦言,现有基准依然偏重学术论文里的公式与表格,对真实企业里高频出现的统计图表(ChartParse)、键值对与复杂表单覆盖不足,这正是下一代评测基准亟待补齐的方向。
📝 站长洞察 (Editor’s Insight)
Unsiloed AI 的崛起印证了一个常被忽视的事实:在企业级 Agent 工作流里,数据摄入层的 1% 偏差会在多步推理后被放大成 100% 的业务事故。面对 Reducto 与通用 VLM 的夹击,这支 7 人团队用“双流视觉+热图算力聚焦”拉高精度并把成本打到每页 1 美分,还极具前瞻性地为智能体开放了 llms.txt 自助采购入口。对开发者而言,最值得借鉴的是其对“LLM-as-a-Judge 语义纠偏”的拆解——评估文档解析器时,别只盯着死板的字符串匹配分,更要盯紧表格序列化失真与原页坐标溯源能力。
Unsiloed AI 为什么能超越 GPT-5.5?
文章显示,Unsiloed AI 不是依赖通用大模型整页解析,而是用双流视觉模型分离文本与图像信息,再用热图切片把算力集中到表格、公式、脚注等难点区域,因此在 olmOCR-Bench 上拿到 88.0 分,超过 GPT-5.5 的 84.6 分。
热图切片算法具体解决什么问题?
它的作用是识别整页里最复杂、信息密度最高的区域,并优先分配计算资源,避免在普通段落上浪费 GPU。这样更适合 PDF 中的嵌套表格、图表、微缩脚注和数学公式,能提升解析精度并控制成本。
Unsiloed AI 适合哪些企业场景?
文章提到它已用于银行、律所和语音 AI 初创公司的知识库摄入,尤其适合金融、法律、医疗等对文档准确率和可追溯性要求极高的场景。其字段级 provenance 还能帮助人工审核回溯原文核验。
双流视觉模型为何更适合复杂PDF?
它把页面全局布局理解和局部字符识别分开处理:一条流抓结构、表格、图表关系,另一条流做细粒度文字与公式识别。这样能减少互相干扰,尤其适合密集排版和跨栏内容。
热图切片架构怎么落地到生产?
先用热图定位高信息密度区域,再按块切片送入识别管线,最后做顺序重建和来源对齐。落地时要重点控制切片重叠、页内坐标映射和结果回溯,否则容易出现漏读、重复和引用错位。
