返回首页
最新
嗨，HN，我们是Sid和Ritvik，Pulse的联合创始人。Pulse是一个文档提取系统，旨在生成适合大型语言模型（LLM）的文本。我们创建Pulse是因为意识到，尽管现代视觉语言模型在生成合理文本方面表现出色，但这也使得它们在大规模光学字符识别（OCR）和数据摄取中存在风险。
当我们开始进行文档提取时，我们假设与今天许多团队一样：基础模型正在快速改进，多模态系统似乎能够很好地读取文档，对于小型或干净的输入，这一假设往往成立。然而，当我们开始处理真实文档的大量数据时，这些局限性显现出来。长PDF、密集表格、混合布局、低质量扫描以及财务或运营数据暴露出一些微妙、难以检测且修正成本高昂的错误。输出结果往往看起来合理，但在表格和数字字段中却包含一些小但重要的错误。
自那时以来，我们的许多工作都是应用研究。我们对复杂文档进行受控评估，微调视觉模型，并构建真实情况至关重要的标注数据集。我们的团队曾多次熬夜手动标注页面，围绕表格绘制边框，逐点标记图表，或讨论某个数字是否不可读或仅仅是扫描效果差。这一过程在很大程度上塑造了我们的直觉，远比单纯的基准测试更为深刻。
很快我们意识到，核心挑战并不在于提取本身，而在于信心。视觉语言模型将文档图像嵌入到高维表示中，这些表示优化了语义理解，而非精确转录。这一过程本质上是有损的。当不确定性出现时，模型倾向于使用学习到的先验来解决，而不是揭示模糊性。这种行为在消费场景中可能是有益的，但在生产流程中却会造成难以扩展的验证问题。
Pulse的诞生旨在通过系统设计来弥补这一差距，而不仅仅依赖提示。系统将文档理解视为一个分离的过程，布局分析与语言建模相分离。文档被规范化为结构化表示，以保留层次和表格，然后再进行模式映射。提取受到预先定义的模式的约束，提取的值与源位置关联，以便可以检查不确定性，而不是简单地猜测。实际上，这导致了一种混合方法，结合了传统计算机视觉技术、布局模型和视觉语言模型，因为没有单一的方法能够可靠地处理这些情况。
我们故意分享了一些反映激励我们进行此项工作的输入类型的文档。这些文档代表了我们看到的通用OCR或基于VLM的管道所面临的困难案例。
以下是一个财务10K报告：
<a href="https://platform.runpulse.com/dashboard/examples/example1">https://platform.runpulse.com/dashboard/examples/example1</a>
以下是一份报纸：
<a href="https://platform.runpulse.com/dashboard/examples/example2">https://platform.runpulse.com/dashboard/examples/example2</a>
以下是一份租金清单：
<a href="https://platform.runpulse.com/dashboard/examples/example3">https://platform.runpulse.com/dashboard/examples/example3</a>
Pulse并不完美，特别是在高度退化的扫描或不常见的手写体上，仍然有改进的空间。我们的目标并不是完全消除错误，而是让错误可见、可审计，并更容易进行推理。
Pulse通过基于使用的API和平台访问提供。您可以在这里试用，并在这里访问API文档。
演示链接在这里：
<a href="https://video.runpulse.com/video/pulse-platform-walkthrough-69f9">https://video.runpulse.com/video/pulse-platform-walkthrough-...</a>
我们希望听听其他人在文档提取中如何评估正确性，您在实践中遇到的失败模式，以及您依赖哪些信号来判断输出是否可信。我们会在这里回答问题，并乐意处理其他文档，如果有人想分享示例。
我是一名独立开发者，开发了几个可以免费使用的工具应用程序，计划在它们获得足够用户后通过广告进行盈利。我的困惑是，是否应该现在就将这些产品开源，还是等到它们更加成熟后再开源。
如果有机会的话，您是否有任何特定的项目、学院等非技术领域想要学习的？
嗨，HN！我们创建了 DNS Directory（<a href="https://dnsdirectory.com" rel="nofollow">https://dnsdirectory.com</a>），这是一个免费的、可搜索的公共 DNS 服务器数据库，每 10 分钟进行一次实时监测。
我们需要找到一个全球运营商使用的最新 DNS 服务器列表，以便用于代理指纹识别/网络爬虫项目，但我们惊讶地发现这样的列表并不存在，因此我们在一次内部黑客马拉松中自己构建了这个数据库。
我们正在添加更多功能，但到目前为止，我们已经：
- 每 ~10 分钟测试超过 77,000 个服务器
- 允许按正常运行时间、位置、安全功能（广告拦截、恶意软件保护、DNSSEC）进行筛选
- 显示 IPv6 支持、Anycast 等信息
- 显示所有历史测试信息
我们没有计划将网站商业化，它将保持免费，以便作为公共资源使用。
我很想听听大家对我们改进网站的建议。网站目前可以正常运行，但某些功能，比如内容过滤检测，仍有待完善。我们希望在亚洲和美国增加测试节点，以便提供更好的覆盖，目前我们只从阿姆斯特丹进行测试。
如果您想要添加一个网站上尚未列出的 DNS 服务器，可以通过表单提交。如果您是一个大型组织，有很多服务器需要添加，可以通过 support@dnsdirectory.com 给我发邮件，我们会将其纳入。
谢谢！
我是一个独立开发者，在过去的一年里，我一直遇到同样的问题：我在发布项目时总是想着“我稍后会好好处理安全问题”，但老实说，我的网络安全知识很薄弱。
我常常忘记一些事情，比如：
- 缺少安全头部
- 弱的TLS/SSL配置
- 扫描器应该早期捕捉到的基本配置错误
因此，我开发了SecureNow，这是一个安全扫描工具，可以检查网站的常见漏洞，并提供清晰的报告和修复建议。
它并不是为了取代渗透测试——而是作为一个快速的“基础安全检查”，你可以在部署前或后运行。
这个工具是为开发者和小团队设计的。
我觉得一些功能非常酷：
- 开放端口扫描（并不是很多网站都有这些）
- 速率限制检测
- API路由检查
我今天发布了这个工具，真的很希望能得到反馈：
- 这个工具有用吗？
- 你希望从这样的工具中获得哪些检查？
- 有什么会让你不信任它？
- 价格是否过高？
链接：https://www.securenow.dev
欢迎随时提出任何技术问题。