一页一美分，读错的那页最贵

这一期我记住的不是模型，是一个数字：80.7%。Medicare Advantage 在 2024 年拒掉的 410 万次事前授权里，只有 11.5% 被申诉，而这些申诉里 80.7% 推翻了原决定。

Reducto 联合创始人阿迪特·亚伯拉罕和 a16z 普通合伙人珍妮弗·李聊了 38 分钟：从 OCR 的三代讲到自研的 r-1，从一页一美分讲到为什么「读错一个词」在医疗里不是小事。

下面按节目顺序整理了全部要点，然后是逐句全文翻译。

节目从一句反问开始：大模型实验室也在做知识工作，视觉多模态也一直在变强，为什么文档这一层还需要一家独立公司？阿迪特的回答分两层。第一层是问题的谱系极深——他自己做这行，仍然会撞见没预料到的边角情况：PDF 里套着 PDF，像文件夹一样；连忠实地渲染一个 Word 文件，都没有好用的开源工具。第二层是分工：他认为实验室打的是「为世界造超级智能」的军备竞赛，而 Reducto 做的是让它变得有用的那层基础设施。

更关键的是一个聚焦上的判断。他说，给 ChatGPT 供电的模型，视觉编码器要能把一张自拍变成吉卜力风格的画；而 Reducto 只需要在这一组文档测试上极强。「你不可能把所有 PDF 解析都扔给 Astra，但我们想要 Astra 级的水准。」1

公司背景：Reducto 2023 年由阿迪特·亚伯拉罕与劳纳克·乔杜里在旧金山创办，YC W24 出身，阿迪特此前在 MIT 读计算机、在 Google 做过 Ads／Search 的产品经理、在 MIT Media Lab 做过机器学习研究。2

他把文档处理分成三代。最早是文件处理问题，1990 年代人们的难题是「怎么把页面忠实地打印成 PDF」。然后是模板式 OCR／IDP：拿一张 W-2，给姓名该出现的像素位置画框，再对文本做后处理——对稳定的流程够用，对长尾不够。2023 年两件事同时发生：上传文档的人不再容忍复杂，默认它就该能读；而工具一侧，视觉语言模型第一次能在内容上推理。

Reducto 的起点因此是两段式：用传统计算机视觉保住版面与边界框，用 VLM 当纠错环。这样做牺牲的是准确率与延迟之间的取舍，换来的是确定性与可追溯——客户要知道答案是从哪一行来的。等到多模态推得足够远，r-1 把这两段合成一个端到端模型：仍然保留边界框，输出仍然一致，但不再需要多步拼接。

官方口径：r-1 于 2026 年 9 月 1 日发布，比旧的多步管线错误率下降 20%，价格一页 1 美分全包（旧管线为 3 到 6 美分），官方称便宜至多 6 倍、速度更快。3

最难的不是学术意义上的脏数据，而是人排版的习惯：有人用一长串句点分隔两段空白，一行一百个点，VLM 就会陷入复读。真正困难的是跨页表格、扫描歪掉的列、要拼起来才能看懂的蓝图。

精度是门槛而不是终点。传统 OCR 通常停在 70 到 80 分，而他认为今天的多数场景要做到 90 分以上；但一份贷款材料要经过切分、抽字段、填表十几道工序，每道 90% 会让错误复利下去。

Deep Extract 是他给出的答案：这套 harness 与模型无关，它给模型工具去回查自己的输出、去立验证规则——比如一张几百行的发票，让一个上级 agent 核对明细加起来等不等于总额。他的判断是，这是第一次在很多测试上 agent 的结构化抽取比人更准，因为人的「标准答案」也会漏行、只填一半。他给的理由很朴素：「人不只是会犯错，人是会漏。」

成本这一段的判断最反直觉：按页计价的真正作用不是省钱，是取消一个决定。当一页要 3 到 6 美分，你必须先分类哪些页值得送进精确管线；一页一美分之后，理想状态是每一页需要模型读的纸都先过一遍。

录制当天早上，他们跨过了第 70 亿页；每月处理数十亿页。他给的下一个节点是 10 月底过 80 亿。官网关于页写的是「超过 50 亿页」，那是上一版口径。4

客户结构也在变：早期是 Harvey、Rogo 这类 AI 原生公司做信息综合；现在最大的对冲基金、PE、科技公司都在用。他的说法是，对一家基金而言，聚合信息的管线本身就是 alpha。

客户开始把两个以上端点串起来用，于是「评测、复核、搭工作流」变成刚需。他举的例子很具体：谈过合同的人电脑里都有好几版划线条款，除非有人把文件标成 final，否则分不清哪版最新；于是有重复内容、有互相矛盾的材料，需要一份可以落地的对账。

为此他们把引用做得很细——不只给出「答案在这份文档里」，而是「我们知道 X 是答案的那一个词」。当两份文档都能指到词，agent 才谈得上在两者之间核对、落到真相上。

这一段他用了 Cursor 的旧故事说明市场差在哪：2023 年，代码补全时代的工具做到 100 万美元 ARR 就值得全体剃头庆祝；今天同类公司多家过了 10 亿美元。而专业服务没有出现同一条曲线，卡住的不是智能，是「二阶问题」。

被问「为什么实验室不做这件事」时，他把边界说得很清楚：Reducto 做的工作和智能是切向的，不比推理质量。真正被低估的是问题的深度，以及聚焦带来的价格优势——在同等精度下，他们能把报价压到前沿模型做不到的位置，这决定了「什么时候值得用」。

被问下一步，他的答案是「改」而不是「读」：翻译对模型很容易，把译文套回原来的版式很难；Office 套件对 agent 意外地难，而人的工作恰恰在那里。他们要先做一个「没有界面的 Word」，以 ChatGPT 插件的形式出现。

这一期信息密度最高的一段，是他讲那份基准。micro1 的 LongExtractionBench 用 225 份文档、平均 358 页、每份约 8.8 万个真值字段，把 7 套系统放在一起跑：4 个抽取平台，加 GPT-5.5、Claude Opus 4.8、Gemini 3.1 Pro。结论不是「谁更准」，而是：精度普遍很高，召回从 49% 到 99.6% 差出一大截；Gemini 3.1 Pro 只完整跑完 112 份，Claude Opus 4.8 是 116 份。前沿模型的失败模式是悄悄漏，不是算错。5

需要说明的是，这份基准由 Reducto 委托执行：文档由 micro1 选，方法由 Reducto 设计，标注、复核与发布归 micro1。Reducto 自己的公告称，Deep Extract 在四项指标上均列第一（完整度 100%、精确率与召回率 99.6%、叶节点准确率 99.3%），完成全部 225 份、零失败。6

他对基准的态度是这一期最值得抄走的部分。第一，先看数据分布是否代表你的活；简单的文档用简单管线就够，别拿通用榜单看。第二，别定太死的规则：同一条信息可以有两种忠实的写法，死规则会把对的判成错。第三，他自己承认，基准这些年已经变成了营销——当所有东西永远是「state of the art」，你很难知道什么在你的场景里是好的。

他给的检验办法也很朴素：同一批文档，加一点噪声（倾斜一度、加一点高斯模糊），发布那份基准的厂商掉得最狠，其他家基本稳住。他还说，客户的黄金数据集往往不黄金：人做会漏，为省钱用便宜模型生成会带进那个模型的错。

这一期最重的一段。一家医疗客户的材料是几英寸厚的纸包，初始管线把「胸痛」读成了别的词，医生检索病史时查不到，理赔因此被拒。医生在这些系统里已经超负荷，不会去复核 OCR——他们相信工具是可靠的。他说，这不叫「哎呀识别错了」，这是一个人的结果。

量级也解释了他为什么在意召回：有些场景现有工具的准确率低于 50%，一个病人的纸包可能有几万页，最好的办法只剩「大致知道信息在哪一页」，然后让人去看，而人根本看不过来。

他用 Medicare Advantage 的数字说明原始判断有多不可靠：2024 年 5,280 万次事前授权、410 万次被拒（7.7%）、只有 11.5% 被申诉，而这些申诉里 80.7% 推翻了原决定。7 同一个逻辑也适用于移民局积压、海关单据与后台外包：大量流程卡在「准确率还不够高到可以不需要人」。

他最后说，最想让它先消失的是手工数据录入——世界上还有很多人拿着纸质文件，把上面的内容抄出来。他提到在会计领域 Basis 做得很好，也提到一家做海关与边境保护局表单的大型会计服务公司、以及替大公司做后台的 BPO。

这里有一处口径要标出来：他说美国有 16% 的报税人仍然纸质邮寄报税；IRS 的官方统计是 FY2025 个人申报 93.7% 电子提交，也就是纸质约 6%。两个数字对不上，方向一致、量级不同。8

以下是整集 38 分 17 秒的逐句中文翻译，按节目顺序排列，保留「珍」「阿迪特」「旁白」「片尾」的说话人标签，不压缩、不摘要、不删减。底稿是官方整集音频的完整转写；这档节目的官方视频当时尚未上线，所以两位说话人的归属由声部分离与对话内容共同判定。

片头（阿迪特）：我们进 YC 的那一天，就对自己说，我们要转向。没有人会在把一份文档上传给 ChatGPT 的时候去想它有多复杂，你只会默认它能读。而另一边，用来解决这件事的工具已经强了太多。对我们来说，文档几乎就是人类工作的抽象和产物。这是我第一次发现，在很多测试上，agent 做结构化抽取可以做得比人更好。最好的 Reducto，是让你可以把 PDF 处理这件事整个抽象掉，哪怕这些 PDF 里面还套着一层一层的麻烦。

珍：考虑到大模型实验室也在盯知识工作，而且他们自家模型的多模态视觉能力也一直在变强，你为什么认为这不是他们会顺手解决的问题，而需要 Reducto 这样一家独立公司专门去做？

阿迪特：有一件事被低估了，就是这个问题的谱系有多深。当然，实验室或许可以深挖下去，把这一件件工具都造出来，但我个人认为，他们打的是另一场军备竞赛。

旁白：AI agent 的推理正在变得强得多，但它们做真实工作所需要的大量信息，仍然被困在 PDF、电子表格、扫描件和其他机器难以可靠理解的文档里。本期，a16z 普通合伙人珍妮弗·李与 Reducto 联合创始人兼 CEO 阿迪特·亚伯拉罕坐下来，拆解「让 AI agent 处理文档」背后这个难得出乎意料的基础设施问题。他们谈到为什么传统 OCR 不够用、视觉语言模型怎样改变了文档处理，以及为什么一个在基准上看起来挺准的模型，遇到又长又乱的文档时仍会悄悄漏掉关键信息。阿迪特还讲了 Reducto 为什么自研专用模型、为什么 agent 在结构化抽取上有时能靠自查做得比人更好，以及当 AI 不只读文档、还能可靠地修改文档并据此行动时，什么会成为可能。因为当 agent 走进医疗、法律、金融和保险，一次文档处理的错误不再只是一次 OCR 错误——它会改变真实世界里的一个决定。

珍：阿迪特，欢迎来到我们的播客间，很高兴你能来。

阿迪特：谢谢邀请。

珍：我想从头问起。你和劳纳克刚开始做 Reducto 的时候，我记得是在做和记忆有关的问题，后来是什么

阿迪特：什么——

珍：把注意力转到了文档上？以及为什么它到今天还没有被解决？

阿迪特：我们 2023 年开始做，那时候模型的上下文窗口还小得可怕，所以「记忆」是一件能真切感受到的、摆在最前面的问题。我还记得我们进 YC 的那一天，我们跟黛安娜说我们要转向，她意外地好说话。现在回头看我们才有的那个说法，老实说当时并没有这么清楚。你想想看，agent 会去做各种各样属于人的工作，而文档恰好就是人类工作的抽象和产物。医疗、法律、金融、保险里那么多白领工作都在 PDF 和电子表格里：你从里面读，往里面写，它们把那些知识编成目录。所以如果你要让 agent 在医疗里干活、去读病人的病历，那它读到的保真度必须和你本人去看时一样。搞错一个勾选框，不能只是一句「哎呀」，那是这个病人的结果。我们就是在这里真正兴奋起来的：人类将要处理的文档比历史上任何时候都多，那你要怎么造出那个把合成智能和人类知识连起来的界面？这件事一直往下螺旋。我们究竟怎么走到这里，有一部分是地点和时间对上了——垂直 AI 应用刚刚开始冒出来。我们的背景是计算机视觉，我们开始和很多早期的 AI 原生公司聊天，意外地反复发现同一个趋势：大家都卡在文档处理这一层基础设施上。因为我们的背景是 CV 研究，我们想从更根本的问题去看：怎么像人一样把它读出来？然后就越滚越深了。

珍：也许可以拆开讲一点。OCR 这门技术大概二十年前就有了。

阿迪特：是有很久了。

珍：对。而且我知道 Reducto 一直站在视觉语言模型上面。也许可以先给一个快速的引子：你看到传统技术在哪儿不够用，大模型和前沿的 VLM 又在解决这些乱糟糟的问题上走到了哪儿，以及它们现在还在哪儿欠缺。我觉得还有不少问题要解决。帮我们把 Reducto 眼里的文档世界拆解一下。

阿迪特：我总开玩笑说，我真的见过做 PDF 处理比我活得更久的人。1990 年代就有人在写驱动，把页面打印成 PDF——那本来就是这种格式的原初目的：怎么把一页上的所有字符忠实地表现出来。这件事可以分成几个时代。最早是文件处理的问题。然后出现了那些基于 OCR 的 IDP 公司。通常的做法是这样：你手上有一张 W-2，你就给 W-2 画一个模板，像素级地知道姓名出现在这里，再对那段文本做后处理。对很多一致的流程，这没问题。但 2023 年变的地方是：没有人会在把文档上传给 ChatGPT 的时候去想复杂度，你只是期待它能用。另一方面，你手上的工具强了太多——VLM 有了在内容上推理的能力，这是过去没有的。这两件事刚好在我们创业的时候撞到一起。文档说到底就是图像：一块九乘十一的网格，信息可以摆在任何一个位置。它不只是页面上的字符。它是——当你有两栏的时候，你要理解你在读第一栏、然后是第二栏；当你有一张表的时候，它是二维的数据，而你要保住行、列、合并单元格，以及中间的一切。所以我们刚开始的时候，把问题拆成两半：怎么用传统计算机视觉保住结构，怎么用 VLM 当纠错环。因为准确率和延迟之间有明显取舍。我们非常在意的不仅是准，还有确定性、可追溯性——客户需要知道我们是从哪里得到这个答案的，而传统 CV 在这一点上非常强。但随着大家把多模态往前推，我们做了很多有意思的工作：怎么为这类任务造出最好的 VLM。r-1 就是从这里来的。现在我们有一个统一的模型，端到端做完整件事，没有历史上那些取舍；边界框还在，输出依然非常一致，但它把页面上的所有东西都抓住了。

珍：既然你提到 r-1，我们就聊聊它。你们大概是从用现成模型起步，后来决定自己后训练一个基础模型，那就是 r-1，据说准确率更好、速度更快、成本更低。也许可以多讲讲你们是怎么把这个模型推到前沿的，以及你认为它会解锁什么——因为我发现，在 AI 这个领域，当你解锁了一个不同的基础，原来只敢想象用法的东西就突然变得可能，而这一点 Reducto 已经反复证明过。

阿迪特：要做的工作很多。我们很幸运，团队里有这个领域最好的一些研究员，所以这不是一个季度的突破，我更愿意把它看成公司成立以来所有工作的累积。有很长一段时间，我们把大量时间花在生产里抓错误：我们搞砸了这张表，那怎么做出更好的表格表示？还有，我们很幸运能接触到一些最难的数据分布——我们服务最大的企业、最领先的 AI 原生公司，他们帮我们看清不同类型的模型会失败在哪里。所以我们在模型架构之外，在它周围的数据管线上也投了非常多时间。产品就是这样做出来的：后训练和中期训练之间有一个很好的 RL 循环。

珍：最难处理的是哪些数据？那些边界情况里最难解的是什么？给我们举几个例子。

阿迪特：这要看你用什么工具。比如说 VLM 的一个特点是，重复会变得非常讨厌。你会遇到一些 PDF，人们用句点来分隔两段空白——人就是这么排版的。当你有一百个连续的句点，VLM 就开始不停地把句点改来改去。但我们真正见到的范围，比这种「最后一公里」的技术细节难得多：真实世界里，你会遇到跨两页的表，扫描得又不够好，于是列对不上，你得开始考虑结构，专门写管线把两半合起来、把上下文保住。你也能想象，人们在拍蓝图和图纸的时候，那些页面极其密——你作为人都得放大才看得懂。所以你需要一种近乎拼贴的方式，去理解这一页上到底有什么。这些正是我们想确保自己做得极强的部分。

珍：也聊聊准确率。我发现，准确率每上一个量级，你能真正交给自动化去跑的场景就会多一批。传统 OCR 其实很多还在 70 到 80 这个区间，离 97、98、有时 99 还差得远。你们瞄的是什么？在一个还需要人参与，和你真的可以用 agent 替掉整条文档处理管线之间，你怎么想这个取舍？

阿迪特：这其实引出了我们在解析之外做的事。解析是那个核心积木——你怎么知道这一页上有什么。对绝大多数场景，我们今天可以做到 90 分以上。有些边角情况，比如医生的手写，我自己都认不出来，所以我甚至不知道我们做得好不好。但如果你看的是一个端到端的任务，比如你在收一份贷款材料，那不只是解析：你要切分内容、抽单个字段、最后可能还要填一份贷款申请表，每一步都得准。如果你要收十几个文件，单页 90% 是不行的，因为那些错误会复合。所以我们最近很多有意思的工作不在模型层。我们开始发布围着这件事的 harness。Deep Extract 就是一个很好的例子：这是我第一次发现，在很多测试里 agent 做结构化抽取可以比人更好。我们遇到的情况是，人工标注出来的标准答案本身就有很多错，而他们原本不会知道，因为那就是「标准」。那你的比较基准是什么？但你想想，人也会犯各种错：人会漏内容、会丢行、可能偷懒只填一部分。可如果有一套 harness，让 agent 不只是抽取，还去纠正自己、检查自己的输出，你就能把这件事往「完美准确率」那边掰。

珍：那么在准确率和延迟之后，我们聊聊成本。现在降到一页一美分，同时解析和抽取的质量还很高。当你有了一条这么强的文档处理管线，你觉得什么会变得可能？它还能解锁什么？你见过哪些用法，是人们过去犹豫着不敢丢给模型、丢给管线的，而现在我们可以真的从经济上算得过来、用 agent 去做？

阿迪特：有很长一段时间，大多数 AI 产品就是聊天机器人，你只能限定一组来源，就在那里面工作。如果真要让 agent 干活——人很擅长意识到「我信息不够，我去找更多」，对吧——那你理想上会希望 agent 去网上搜、去知识库里检索更多东西。而理想状态下，人们不该再从「解析一页要花我多少钱，所以只有这些页能进准确管线」这个角度去想问题。

阿迪特：今天，就在今天早上，我们跨过了第 70 亿页。现在我们每个月处理数十亿页。我们想达到的状态是：每一页需要被模型读的纸，都先经过 Reducto。而这必须是无摩擦的。所以作为一个团队，我们还有很多事要做。一页一美分是我们的标价，但我们也在做很多工作去理解：在更大的量上——如果有人想处理几百亿页——我们怎么让它跑得起来？

珍：太酷了，恭喜跨过 70 亿。我记得你好像发过推，讲从零到 10 亿页花了多久，它只是

阿迪特：越来越

珍：越来越快。要不要预测一下什么时候到 80 亿？

阿迪特：我们原本说这个数字会在 10 月底出来。我觉得到那时候我们会过 80 亿。

珍：太好了。

阿迪特：我们每周处理的页数一直在破纪录。

珍：太棒了。也许可以多讲讲是什么在推动这个增长。你看到的，是哪些类型的活儿会涉及这么大量的文档？

阿迪特：我会把最早那一波用例归成各种形式的信息综合。聊天机器人对很多人来说终究是搜索工具。所以早期我们和很多领先的 AI 原生公司合作，比如 Harvey 这样的，还有 Rogo 等等。但越来越多地，最大的对冲基金、最大的 PE、科技公司开始采用我们，这些案例到处都是。有些情况里他们在造工具，让 agent 在数据上推理；有些情况里他们是在做真正的工作。比如你是一家对冲基金，

阿迪特：你用来聚合信息的管线就是你在市场上的竞争优势。所以如果你能更快、更稳地把所有能拿到的信号收上来，那就是 alpha。这类事情我们见得越来越多。

珍：顺着这个，我们很想聊聊你们搭的那套 harness，讲讲背后的灵感，以及最大的 PE 基金和最大的金融服务公司是怎么采用它的。

阿迪特：我们开始看到很多客户把两个以上的端点一起用。而要部署到生产，你需要的不只是好的解析准确率，你还需要评测、复核、搭建自己工作流的工具。我们想把这一切都变简单。而且有些小事，放到真实世界里真的很难。如果你谈过合同，你笔记本某处一定有好几个版本的划线条款清单，除非有人把文件名标成 final，否则人很难知道哪个是最新的。于是你有重复的内容，你需要在互相矛盾、分散的信息之间做核对。这建立在我们在做的很多工作之上：我们花了大量时间做引用——不只是「这是答案，这是文档」，而是「这是我们知道 X 是答案的那一个词」。如果在一份文档上你知道这一点，在另一份上你也知道，你就能让 agent 更容易推理，理解「我该怎么看两份信息、核对之后落到真相上」。这就是我们真正想做的事：让文档工作更容易。支撑它的东西，我最近和团队聊过——你看 2023 年的代码生成市场，那时候工具还只是代码补全，规模只有今天的零头。我很佩服 Cursor 这家公司。我记得有个朋友剃了光头来吃晚饭，他们全体剃头是为了庆祝 100 万美元 ARR，那在当时是个大里程碑。

珍：Cursor？

阿迪特：对。哇。现在你看那个市场，很多家已经过了 10 亿美元 ARR。但在专业服务市场里，你还没看到这条曲线。问题是为什么？是价值不够吗？显然不是：医疗有那么多纸面密集的工作，保险、法律、金融也是。我觉得很大一部分原因是那些二阶问题——它们不是智能问题。我们想帮客户把这些问题解决掉。

珍：你觉得这里面有多少是技术问题，多少是文化、是采用速度的问题？比如人们不够放心去信任——尽管我们大概知道，在某些类型的工作上，模型会比人更准，人反而会丢行、漏列、填不全——但他们还是习惯了原来的流程。而另一边，开发者想把工作自动化掉，那股力量巨大，因为这在文化上是被接受、被鼓励的。

阿迪特：科技圈里确实有一部分是热情，这些东西对科技人来说几乎像玩具。但我觉得也要说后果。如果你 vibe code 出一个满是 bug 的东西，你可以把 PR 回滚掉，这在医疗里不成立。那里的代价非常、非常真实。所以我不认为可以把它只归因于「愿不愿意采用」。我觉得真问题是你怎么有足够的护栏，怎么让做决定的人有信心。这就回到我们说的引用、核对那些东西。

珍：对。我们也想深入聊聊，既然你们现在相当于是自己拥有模型和 harness、更深地进到工作流里，下一步是什么？

阿迪特：第一件事是，我们一直在做很多工作去解锁全部的交互模态，一个好例子就是文档编辑。我不知道你有没有花很多时间用 Claude for Excel 和市面上那些插件，但 agent 用 Office 套件其实是出乎意料地难，这很奇怪，因为人的很多工作恰恰在那里。举个例子，本地化是个真问题，人们投入很多时间，但翻译其实很简单：模型能把自由文本翻过去，我们想让「把翻译应用上去」变容易——你有一份英文文档，怎么让你把它翻成阿拉伯语或别的语言变得非常简单。所以接下来几周你会看到我们在这一块发很多东西。我们先从一个 ChatGPT 插件开始，你想改哪里就能改哪里，把它理解成一个没有界面的 Microsoft Word。但不止于此。整体上，我们想让那套工具在评测、监控和可观测性上非常健壮。更广地说，我们想达到的是让客户更容易用 Reducto 去改进他们的管线。他们会从 schema 优化这类一阶问题开始，但最终我们想走到人们能有效地把自己的上下文用起来。

珍：或许就做 ChatGPT 插件这件事展开一点：考虑到大模型实验室也在做知识工作，而且他们一直在提升自家模型的多模态视觉能力，你为什么认为这不会是他们解决的问题，反而需要 Reducto 这样一家独立公司集中去做？

阿迪特：我们做的很多工作其实和智能是切向的。我们不是要在推理质量上和实验室竞争。而我认为有一件事被低估了：这个问题的谱系非常深。即便我看过的 PDF 大概比大多数人都多……

阿迪特：我还是会遇到我们没预料到的边角情况。比如 PDF 里可以套着 PDF，像文件夹一样；你就算只是想渲染一个 Word 文件，也会发现没有好的开源工具能忠实地表示它——这也是 LibreOffice 这类库经常不够用的原因。所以，是的，实验室或许可以深挖，把这一件件工具造出来，但我个人认为，他们正在打的是一场为世界造超级智能的军备竞赛，而我们做的事更像是它周围的基础设施，让那件事更有用。另一点是，我觉得专注真的非常重要。我们能把需要自己擅长的题目收窄，这是我们能领先的很大一部分原因：我们不是在做通用模型。而一个给 ChatGPT 供电的模型，它的视觉编码器要能把一张自拍变成吉卜力风格的画。我们知道自己在处理哪个领域的信息，我们需要模型在这一组特定测试上极其出色。所以对我们的客户来说，当你在一个不只是要准、还要在规模上有成本和延迟的量级上处理文档时，我们能在同等精度下把价格压到前沿模型完全做不到的位置。这决定了「什么时候值得用」这件事。你不可能把所有 PDF 解析都扔给 Astra，但我们想要 Astra 级的水准。

珍：我觉得很多人的误解也在这里：以为可以从一份长文档里做一次模型调用，就把信息取出来。但通常它是一条管线：你得把文档拆开、分成一块一块，我认为你们在这上面花了很多工夫——拆解文档里有什么、理解格式、准确地转换它，把那些细枝末节都过一遍，确保每一块都被正确解析和抽取，同时在最后一公里用上

珍：能力强的大模型。也许可以讲讲一条典型管线的组成部分，以及它相比那种「一次调用」的做法，在价格和延迟上如何？

阿迪特：有一份很有意思的基准，是 micro1 发布的。它是独立跑的，我们有机会和他们合作，重点就是长文档抽取。我觉得它有意思的地方在于：我们把当时所有前沿模型都测了一遍，也测了 Reducto 和一些专用的文档解析器。结果发现，在精度上，前沿模型其实比很多专用解析器更好——只要它们真的抽了东西出来，它们更可能是对的。但前沿模型的失败模式在召回：它们会悄悄把信息漏掉。这种事在生产里非常非常难抓到。所以我们想 Deep Extract 这种东西的时候，里面发生的事很多：它不只是一个专门做抽取的模型，事实上这套 harness 对模型是无关的。我们给模型造了很多工具，让它能检查自己的输出、能立验证规则。比如一张巨大的发票，你怎么让一个上级 agent 确保明细加起来等于总额？就是这些细节，让它知道什么时候该回去把信息再核一遍。这也是我们唯一能把准确率做到接近完美的办法。同样的事也适用于我们做的所有东西，比如文档切分。

珍：也许可以聊聊基准这件事。一份基准可以看起来很棒。我们花了大量时间在真实世界的各种场景上做评测，micro1 那份对这件事很有代表性，但有时候它仍然会漏掉对客户自己很重要的细节。你怎么看……

珍：一份有用的评测该长什么样？当你的客户在拿 Reducto 和开源模型、或者别的前沿模型做同类任务时，他们最在意的是什么？

阿迪特：是，那什么

珍：以及你觉得他们应该最在意什么？

阿迪特：我认为他们第一该在意的是数据的分布，是搞清楚它对你想要做的事有没有代表性。如果你处理的本来就是很简单的文档，那很可能一条简单的管线就够了，你不该拿一份通用基准去看这件事。第二点，很多地方会出错，比如你怎么决定要测什么。我们最近写过一篇文章讲这个：在评测里定非常严格的规则，通常是个错误，因为同一条信息可以有两种忠实的表达方式，而你不该因此判它错。AI 行业有一件不幸的事——我不是要替谁开脱，我觉得这是普遍情况——基准这些年已经变成了营销。它的下游副作用是：当所有东西永远是「state of the art」的时候，你根本很难知道在你的场景里什么是好的。我们见过一些很过分的版本，我不点名，但我们测过一份……

阿迪特：市面上有一份公开基准，我们测过：如果你拿同一批文档，加一点噪声——把它倾斜一度，加一点高斯模糊——

阿迪特：发布那份基准的厂商会掉得比所有人都惨，而其他人基本稳住了。你可以从这个结果里得出结论。但这种事，普通人不会去做。所以我们的建议其实是：今天用大模型当裁判已经相当强，前提是你在评分标准上想得足够清楚。我们希望能看到这个行业往「人们用自己的数据去测」的方向走，也许配合一些让评测更容易的工具。总之，不要相信一份通用基准，你应该走到一个状态：你知道什么对你最好。

珍：你多久会遇到一个客户，手里已经有黄金数据集、准备好拿来评 Reducto？还是说——黄金数据集

阿迪特：得是好东西才行？

珍：我猜那本来就是期待，但……

阿迪特：对。通常情况是，人们确实有某种黄金数据集，但我们发现，取决于它是怎么做出来的，会有各种各样的问题。比如有的是人做的，于是人漏掉了信息；有时候是模型生成的，但为了省钱，他们可能用的是 Sonnet 而不是 Opus，于是 Sonnet 带进来一些错。

阿迪特：我发现，越来越常见的情况是，人们至少有某种形式的评测，但要保证这个评测站得住非常非常难。所以我们会花很多时间陪团队，确保他们在做任何正面比较之前，先对自己要怎么做测试这件事有底。

珍：那到今天，你们看到的绝大多数文档还是 PDF 吗？还是说别的格式开始渗进来、变得更多、也更难让大模型处理？

阿迪特：其实五花八门。我们支持四十多种文件类型。PDF 大概算是个旗舰的门面，但对我们来说，很多底层其实是图像处理。你可以想象，Excel 文件可以任意大：你事先不知道它是一张巨表，还是散落在各处的一堆小表。而模型即便上下文窗口足够长，处理这类信息也很吃力。所以你可以做很多事：为 Excel 造一份给模型读的表示，而不是把原文件直接丢过去。

珍：那当内容越来越偏多模态的时候，对你意味着什么？我相信今天的 PDF 里已经可以嵌多媒体素材。我们把它拆成图像处理，这对模型来说更普遍、更好接近；但同时，对别的传统做法来说，它大概更难处理。你怎么看文件格式本身变得越来越复杂、包含越来越多的模态这件事？

阿迪特：我觉得到最后，随着你看复杂度，问题会一层层展开。一阶问题是：你怎么知道一份文档复不复杂？然后二阶问题是：你怎么知道某一页难不难？而在页面之内，有些区域又比别的区域更难。就像你说的，在金融里，最常见的表示数据的方式之一是时间序列：你有图表、折线图、柱状图，无论哪种，都非常难。人很擅长判断趋势线在往哪走，但你去问模型，会发现它们挺善变的。所以要能做到：这是一张折线图，我们不只要说出「收入上升了」，还要把每一个数据点描述出来，这样你才能在那些数据点上做推理。那是一个完整的子问题域，我们为此专门训了图表 agent。我很确定地说，这一块 Reducto 是行业里最好的一档。

珍：那个基准可以拉出来给大家看看，别的模型差得有多好笑。

阿迪特：视觉上看，差距大得惊人。但能以一种客户理想上根本不用去想的方式做到这一点，才是我们的目标。最好的 Reducto，是让你可以把 PDF 处理的问题整个抽象掉，哪怕这些 PDF 里还套着一层层的小麻烦。

珍：还有嵌套的表格。比如 Excel 里有多个工作表。我们越往这些问题里钻，越觉得这是一组没有边界的问题。

阿迪特：对。

珍：那么，放到未来几年的尺度上，你觉得 Reducto 会变成什么？你以文档处理和解析出名，但当你越来越多地去搭 harness、搭工作流、解更长周期的端到端问题，你认为那个还没被人们意识到的机会是什么？

阿迪特：这回到我们开头说的。我觉得无论 AI 原生公司还是大企业，都有很多了不起的工作在发生。你看 Harvey 在法律上做的事，也看企业自己内部团队在做的事。我真的很希望 Reducto 成为一套可靠的工具，Harvey 这样的公司和世界上最大的企业都能用它，把自己的上下文接到模型上。这意味着我们必须是世界上最会解析的，但也意味着那些他们本来要自己处理的小细节——比如突然要并行处理一千万份文档这类基础设施问题——这些抽象对客户很重要。如果我们做对了，那就是我们提供的价值。我一般不太把「智能文档处理」这个市场当成我们的品类，因为 IDP 里的那种野心，和我们要做的事差得很远。我们想到的位置是：agent 可以帮助增强人的工作。我没有一张市场地图式的未来图景，但在这个未来里扮演关键角色，对这个世界来说真的非常重要。

珍：就像我们常说的，往模型里放东西，有两件事重要，一件是数据，这个

珍：你知道，Reducto 正在把 PDF 和文档变成喂给大模型的数据；另一件就是大模型可以用来跑起来的算力。所以为语言模型创造价值、让它表现更好的机会是无穷的。我完全相信这里有一个巨大的机会，可以继续把这个标准往上抬。

阿迪特：这也是为什么我们会一起工作。

珍：太好了。我们再聊聊准确率的后果，以及它如何影响客户对「用 agent、用 AI 处理文档」的信任。

阿迪特：我记得我们有一个医疗行业的客户。他们是一家很大的供应商，本质上给医生做一个抓取信息的搜索工具。他们处理的是医疗里更难的情况，难到那些文件就是纸质的。他们会有几英寸厚的纸包。而奇怪的是，一个错误对个体到底多重要，这件事很难被体会。我们聊到过一些具体案例：因为初始管线把「胸痛」读成了别的东西，某个人的理赔被拒了——医生去搜「这个人有没有病史」，搜不到，那也许就不需要这个药了。而这很重要，因为在这些医疗系统里医生已经非常超负荷，他们没法把所有信息都复核一遍、确认 OCR 是准的。他们只是相信自己在用的工具是可靠的。而这还只是搜索产品。想象一下，如果是 agent 在做那种裁定决定。你处理进来的输入是不是可信，这件事极其重要，因为上层的一切都建立在它上面。

珍：他们不是按页来算，而是按文件有几英寸高来算，这太惊人了。那现在这些 OCR 工具大致是什么水平的……

珍：这些工具？

阿迪特：在那类情况下，我们确实发现有场景低于 50%。你能做到的最好结果，是有一个信息大概在哪儿的近似，然后让人去看。但一个病人的纸包可能有几万页。所以即便你把最好的例子摆出来，医生其实也翻不动。那些是我们希望能为这个世界解决掉的前沿问题。

珍：确实。那今天的兜底是什么？如果错过了「胸痛」呢？

阿迪特：哦，人一直在犯错。每年有数以百万计的 Medicare 理赔因为事前授权被拒。我学到的最疯狂的统计之一是：在 80% 的申诉里，原来的决定被推翻了。这应该让人震惊，因为显然最初做决定的方式里有某种低效。

珍：80%？

阿迪特：80% 的申诉。

珍：哇。

阿迪特：我觉得这难以置信，但它不只在医疗里。比如你看 USCIS 现在为移民积压的案子，很多都是纸质流程，卡在同一个点上：准确率需要高到值得今天就用一个人。如果你对准确率、成本和延迟有无限的胃口，可以就在这些任务上用前沿模型，你可以让世界上很多流程对人来说变容易。

珍：看过一些移民案子里的发现，确实有大量

珍：不同类型的手写笔记、大量图片、作为证据的照片要去过一遍。所以我确信今天还有大量效率、大量需要人在环里的工作可以被自动化，只是还没到。

阿迪特：如果

珍：AI 真的能可靠地理解、评估并修改企业用的文档，你觉得今天就应该可能、但还没有的，头几类工作是什么？

阿迪特：你会惊讶于还有多少数据录入是手工的。这大概是我最兴奋的第一件事。人在推理和决策上有很多可以贡献的，但世界上有很多人，是拿纸质的文件，把纸上的内容抄出来。真的非常低效。在美国，16% 的报税人还在用纸质邮寄报税。所以所有这些只是一味给工作加上几周、又机械又例行的事，大概就是我希望能先消失的一类问题。

珍：那在这些问题上，你的客户或者应用层里，有哪些人在做、你觉得大家该知道？

阿迪特：这真的取决于行业。比如在会计领域，我们看到 Basis 做得非常出色。但这同样适用于大企业。我们和一家最大的会计服务公司合作，他们做的是海关和边境保护局的表单。还有一家 BPO 公司，为很多大公司做后台工作。我觉得他们都很兴奋能走过这一类问题。

珍：太好了。很期待越来越多这种琐碎、枯燥、需要人在环里的活儿消失掉，我们就可以专注在更有意思的事上。

阿迪特：对。

珍：太棒了，很高兴你能来，阿迪特。非常感谢你今天过来。

阿迪特：也谢谢你，这次很好玩。

片尾：感谢收听本期 a16z 播客。如果你喜欢这期，请点赞、评论、订阅，留下评分或评价，并分享给你的朋友和家人。想听更多单集，请到 YouTube、Apple Podcasts 和 Spotify。在 X 上关注 @a16z，并订阅我们的 Substack：a16z.substack.com。再次感谢收听，我们下一期见。