採用生成式 AI 技術的自訂擷取器

生成式 AI 訓練和擷取功能可讓您：

• 使用零樣本和少量樣本技術，在幾乎沒有訓練資料的情況下，透過基礎模型取得高效能模型。
• 隨著提供的訓練資料越來越多，您可以使用微調功能進一步提高準確度。

生成式 AI 訓練方法

選擇訓練方法時，請考量可用文件數量，以及您願意投入多少心力訓練模型。訓練生成式 AI 模型的方法有三種：

訓練方法	零樣本	少量樣本	微調
準確性	中	中高	高
努力	低	低	中
建議的訓練文件數量	0	5 到 10	10 到 50+

注意： 使用 10 到 50 個以上的訓練樣本，就能獲得相當不錯的結果。如果將樣本數量增加到數百或數千個，還能進一步提升成效，具體取決於文件和擷取工作的複雜程度和變化。

自訂擷取器模型版本

自訂擷取器可使用下列模型。如要變更模型版本，請參閱「管理處理器版本」一文。

1.4、1.5 和 1.5 Pro 版支援可信度分數。

模型版本	說明	發布管道	在美國/歐盟境內的機器學習處理作業	在美國/歐盟境內的微調作業	發布日期
pretrained-foundation-model-v1.5-2025-05-05	搭載 Gemini 2.5 Flash LLM，可用於正式環境。建議想試用新模型的使用者選用。	穩定	是	美國、歐盟	2025 年 5 月 5 日
pretrained-foundation-model-v1.5-pro-2025-06-20	搭載 Gemini 2.5 Pro LLM，可用於正式環境，線上處理要求配額上限為每分鐘 30 頁。這個模型的品質比 v1.5 更好，但延遲時間可能較長。	穩定	是	否	2025 年 6 月 20 日
pretrained-foundation-model-v1.5.1-2025-08-07	搭載 Gemini 2.5 Flash LLM 的公開預先發布版模型，這個模型的功能與 v1.5 相同，並提升了適應性少量樣本學習能力。	候選版	是	否	2025 年 8 月 8 日
pretrained-foundation-model-v1.6-pro-2025-12-01	搭載 Gemini 3 Pro LLM 的預先發布版模型。 注意：這個處理器版本使用 Vertex AI Gemini 全域端點，不符合資料落地 (DMZ) 標準。例如，美國和歐盟端點的要求可能會轉送至全球任何地方。	候選版	是	否	2025 年 12 月 1 日
pretrained-foundation-model-v1.6-2026-01-13	搭載 Gemini 3 Flash LLM 的預先發布版模型， 注意：這個處理器版本使用 Vertex AI Gemini 全域端點，不符合資料落地 (DMZ) 標準。例如，美國和歐盟端點的要求可能會轉送至全球任何地方。	候選版	是	否	2026 年 1 月 13 日
pretrained-foundation-model-v3.1-lite-2026-07-15	搭載 Gemini 3.1 Lite LLM 的預先發布版模型，支援美國和歐盟的多區域端點 (mREP)。 注意：部分區域不完全支援 CMEK，且某些詳細資料不會加密。必須加入許可清單才能使用支援服務，詳情請洽詢 Google Cloud 帳戶團隊。	候選版	是	是	2026 年 9 月 21 日
pretrained-foundation-model-v3.5-2026-05-26	採用 Gemini 3.5 Flash LLM 的預先發布版模型。	候選版	是	否	2026 年 5 月 26 日

如要變更專案中的處理器版本，請參閱「管理處理器版本」。

如要針對預設處理器配額提交配額提高要求 (QIR)，請按照「申請調整配額」中的步驟操作。

初始設定

如果尚未啟用計費功能和 Document AI API，請先啟用。

建構及評估生成式 AI 模型

1. 建立處理器並定義要擷取的欄位，請務必遵循最佳做法，因為這會影響擷取品質。

   • 依序前往「Workbench」 >「自訂擷取器」 >「建立處理器」 >「指派名稱」。

   

   • 依序前往「Get started」(開始使用) >「Create new field」(建立新欄位)。

   

   注意： 基礎模型的欄位名稱會大幅影響模型準確度和效能。建議輸入清楚易懂的名稱。

2. 匯入文件

   • 使用自動加上標籤功能匯入文件，並將文件指派給訓練集和測試集。
   • 如果是零樣本，則只需要結構定義。如要評估模型準確度，只需要測試集。
   • 如果是少量樣本，建議使用五份訓練文件。
   • 所需測試文件數量取決於用途。一般來說，測試文件越多越好。
   • 確認或編輯文件中的標籤。

3. 訓練模型：

   • 依序選取「建構」和「建立新版本」。
   • 輸入名稱並選取「建立」。

   

注意： 每項微調作業可能需要數小時才能完成 (取決於系統負載，而非微調工作大小)，並會在 72 小時後逾時。如果微調作業在該時間內完成，就表示運作正常。

提示： 為減少開發週期中的阻礙，請安排微調工作，以便考量這段時間。例如週五下班前，或不同處理器錯開時間。

1. 評估：

   • 前往「評估與測試」，選取剛才訓練的版本，然後選取「查看完整評估」。

   

   • 您現在會看到整份文件和各欄位的指標，例如 f1、精確度和召回率。
   • 判斷成效是否符合正式環境目標。如果不符合，請重新評估訓練和測試集。

2. 將新版本設為預設版本：

   • 前往「管理版本」。
   • 選取該選項展開選單，然後選取「設為預設」。
   注意： 確認版本的「狀態」為「已部署」。如果沒有，請先選取部署版本。 現在可以將新版本設為預設版本。

   

   模型已部署完成。傳送至這個處理器的文件會使用您的自訂版本。您可以評估模型成效，確認是否需要進一步訓練。

評估參考資料

評估引擎可進行完全比對或模糊比對。如要完全比對，擷取的值必須與基準真相完全相符，否則會視為未命中。

模糊比對擷取結果若有細微差異 (例如大小寫不同)，仍會視為相符。您可以在「評估」畫面中變更這項設定。

微調

微調時，您會使用數百或數千份文件進行訓練。

1. 建立處理器，並按照最佳做法定義要擷取的欄位。這項操作會影響擷取品質，因此非常重要。

   注意： 基礎模型的欄位名稱會大幅影響模型準確度和效能。請務必提供描述性名稱。

2. 使用自動加上標籤功能匯入文件，並將文件指派給訓練集和測試集。

3. 確認或編輯文件中的標籤。

4. 訓練模型。

   • 選取「Build」(建構) 分頁標籤，然後在「Fine-tuning」(微調) 方塊中選取「Create New Version」(建立新版本)。

   

   注意： 微調功能會調整基礎模型，建議使用這項功能。訓練自訂模型則會訓練傳統的非生成式 AI 模型。

   • 試用預設的訓練參數或提供的值。如果結果不盡理想，請嘗試下列進階選項：

   • 訓練步驟 (介於 1 到 400 之間)：訓練步驟也稱為訓練週期，可控制調整期間對一批資料最佳化權重的頻率。

     • 如果過低，訓練可能會在收斂前結束 (配適不足)。
     • 如果過高，模型可能會在訓練期間多次看到同一批資料，導致過度配適。
     • 步驟越少，訓練時間越短。如果文件範本變化不大，建議提高計數；如果變化較多，則建議降低計數。
     注意： Google Cloud 控制台支援 1 到 40 個訓練步驟。如要設定較高的值，請使用 REST API。

   • 學習率乘數 (介於 0.1 和 10 之間)：控制模型參數在訓練資料上的最佳化速度。大致對應每個訓練步驟的大小。

     • 如果學習率偏低，模型權重在每個訓練步驟的變化幅度較小。如果太低，模型可能無法收斂至穩定解。
     • 高學習率表示變化幅度大，但如果學習率過高，模型可能會跳過最佳解決方案，反而收斂至次佳解決方案。
     • 訓練時間不受學習率選擇影響。

   • 輸入名稱，選取所需的基礎處理器版本，然後選取「建立」。

   

5. 評估：前往「評估與測試」，選取剛才訓練的版本，然後選取「查看完整評估結果」。

   

   • 現在，您會看到整份文件和各欄位的指標，例如 f1、精確度和召回率。
   • 判斷成效是否符合正式環境目標。如果沒有，可能需要進一步訓練文件。

6. 將新版本設為預設版本：

   • 前往「管理版本」。
   • 選取即可展開選項，然後選取「設為預設」。

   

   注意： 確認版本狀態為「已部署」。如果不是，請改為選取「Deploy version」(部署版本)。當新版本的狀態變更為「已部署」時，您就可以將其設為預設版本。

   模型已部署完成，傳送至這個處理器的文件現在會使用自訂版本。您想評估模型成效，確認是否需要進一步訓練。

使用基礎模型自動加上標籤

基礎模型能精準地擷取各種文件類型的欄位，但您也可以提供其他訓練資料，提高模型處理特定文件結構的準確度。

Document AI 會使用您定義的標籤名稱和先前的註解，更輕鬆快速地使用自動加上標籤功能，為大量文件加上標籤。

1. 建立自訂處理器後，請前往「Get Started」(開始使用) 分頁。
2. 選取「建立新欄位」。

3. 為標籤提供描述性且獨特的名稱。選取「Extract」即可直接從文件中擷取值，選取「Derive」則能取得系統推論出的值。這能提升基礎模型的準確度和效能。

   

4. 為提升擷取準確度和效能，請為應擷取的實體類型新增說明 (例如每個實體的額外背景資訊、洞察資料和相關知識)。

   注意： 無論內容結構或變化如何，規則都能確保擷取結果可靠且一致。為引導模型並盡量減少文件中的混淆，請加入屬性說明，其中包含位置資訊和屬性值的文字模式。

   

   注意： 您可以更新說明。不過，這項變更不會套用至自訂處理器版本。自訂處理器版本中會顯示說明快照。

5. 前往「Build」(建構) 分頁，然後選取「Import Documents」(匯入文件)。

   

6. 選取文件路徑和要匯入文件的組合。勾選自動加上標籤選項，並選取基礎模型。

7. 在「Build」(建構) 分頁中，選取「Manage Dataset」(管理資料集)。

8. 看到匯入的文件後，請選取其中一份。

   

模型的預測結果現在會以紫色醒目顯示。

1. 查看模型預測的每個標籤，確認是否正確。

2. 如有缺漏的欄位，也請一併新增。

   注意： 請務必盡可能準確填寫所有欄位，否則模型效能會受到影響。進一步瞭解標籤。

   

3. 文件審查完畢後，請選取「標示為已加上標籤」。現在模型可以使用這份文件了。

4. 請確認文件位於測試集或訓練集。

三層巢狀結構

Custom Extractor 現在提供三個巢狀結構層級。這項功能可更有效地擷取複雜表格。

注意： 只有在自訂擷取器中使用生成式 AI (「基礎」) 模型類型時，才支援三層巢狀結構。擷取、分類和分割模型僅支援兩層巢狀結構。

您可以使用下列 API 呼叫來判斷模型類型：

• processors.get
• processorVersions.get

這些方法的回應是 ProcessorVersion，其中包含 v1beta3 預先發布版中的 modelType 欄位。

程序和範例

我們使用的是這個範例：

1. 選取「開始使用」，然後建立欄位：

   • 建立頂層。
   • 在這個範例中，我們使用的是 officer_appointments。
   • 選取「這是父項標籤」。
   • 選取「發生次數」：Optional multiple。

   

2. 選取「新增子欄位」。現在可以建立第二層標籤：

   • 請為這個層級標籤建立 officer。
   • 選取「這是父項標籤」。
   • 選取「發生次數」：Optional multiple。

   

3. 從第二層 officer 選取「新增子欄位」。為第三層巢狀結構建立子標籤。

4. 設定結構定義後，您可以使用自動加上標籤功能，從具有三層巢狀結構的文件取得預測結果。

   

標示跨頁巢狀實體

pretrained-foundation-model-v1.5-2025-05-05 處理器支援跨頁面的三層巢狀結構。

1. 在網頁中正常標示實體。注意：標示的實體只會顯示在標示的頁面上，導覽列會隨著頁面變更。固定上層實體後，這個導覽列就會持續顯示。

   

2. 固定上層實體，為各頁面的子項加上標籤。

   

3. 前往要加上標籤的子實體頁面。

注意： 上層實體也可以取消固定，這樣就只會顯示在先前標記的頁面上。

資料集設定

如要訓練、進階訓練或評估處理器版本，必須使用文件資料集。Document AI 處理器與人類一樣，會從範例中學習。資料集可提升處理器的效能穩定性。

訓練資料集

如要改善模型和準確度，請使用文件訓練資料集。模型是由含有基準真相的文件組成。

• 如要微調，您至少需要 50 份訓練文件和 50 份測試文件，才能使用 pretrained-foundation-model-v1.5-2025-05-05 版本訓練新模型。
• 如要使用少量樣本，建議提供五份文件。
• 如果是零樣本，則只需要結構定義。

基準真相是指由人工判斷並正確加上標籤的資料。

測試資料集

模型會使用測試資料集產生 F1 分數 (準確率)。由含有基準真相的文件組成。如要瞭解模型正確率，請使用基準真相，比較模型預測結果 (從模型擷取的欄位) 與正確答案。測試資料集應至少有 50 份pretrained-foundation-model-v1.5-2025-05-05文件。

含有屬性說明的自訂擷取器

您可以使用屬性說明，描述標籤欄位的樣貌，藉此訓練模型。您可以為每個實體提供額外的背景資訊和深入分析。這樣一來，模型就能比對符合您提供說明的欄位，並提高擷取準確度。您可以為父項和子項實體指定屬性說明。

屬性說明的良好範例包括位置資訊和屬性值的文字模式，有助於釐清文件中可能混淆的來源。無論文件結構或內容如何變化，只要屬性說明清楚明確，模型就能依據規則，更可靠且一致地擷取資訊。

更新處理器的文件結構定義

如要瞭解如何設定屬性說明，請參閱「更新文件結構定義」。

傳送處理要求，並附上屬性說明

如果文件架構已設定說明，您可以按照「傳送處理要求」一節的操作說明，傳送處理要求。

使用屬性說明微調處理器

使用任何要求資料之前，請先修改下列項目的值：

• LOCATION：處理器的位置，例如：
  • us - 美國
  • eu - 歐盟
• PROJECT_ID： Google Cloud 專案 ID。
• PROCESSOR_ID：自訂處理器的 ID。
• DISPLAY_NAME：：處理器的顯示名稱。
• PRETRAINED_PROCESSOR_VERSION：處理器版本 ID。詳情請參閱「選取處理器版本」。例如：
  • pretrained-TYPE-vX.X-YYYY-MM-DD
  • stable
  • rc
• TRAIN_STEPS：模型微調的訓練步驟。
• LEARN_RATE_MULTIPLIER：模型微調的學習率乘數。
• DOCUMENT_SCHEMA：處理器的結構定義。請參閱 DocumentSchema 表示法。

HTTP 方法和網址：

POST https://LOCATION-documentai.googleapis.com/v1beta3/projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION:process

JSON 要求內文：

{
  "rawDocument": {
      "parent": "projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID",
         "processor_version": {
             "name": "projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/DISPLAY_NAME",
             "display_name": "DISPLAY_NAME",
             "model_type": "MODEL_TYPE_GENERATIVE",
         },
         "base_processor_version": "projects/PROJECT_ID/locations/us/processors/PROCESSOR_ID/processorVersions/PRETRAINED_PROCESSOR_VERSION",
         "foundation_model_tuning_options": {
             "train_steps": TRAIN_STEPS,
             "learning_rate_multiplier": LEARN_RATE_MULTIPLIER,
         }
         "document_schema": DOCUMENT_SCHEMA
      }
}

如要傳送要求，請選擇以下其中一個選項：

curl

注意：下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI，或使用 Cloud Shell 自動登入 gcloud CLI。您可以執行 gcloud auth list，查看目前使用的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-documentai.googleapis.com/v1beta3/projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION:process"

PowerShell

注意：下列指令假設您已執行 gcloud init 或 gcloud auth login，透過使用者帳戶登入 gcloud CLI。您可以執行 gcloud auth list，查看目前使用的帳戶。

將要求主體儲存在名為 request.json 的檔案中，然後執行下列指令：

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-documentai.googleapis.com/v1beta3/projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION:process" | Select-Object -Expand Content

具備簽名偵測功能的自訂擷取器

預覽

這項產品適用《服務專屬條款》中「一般服務條款」一節的《正式發布前產品條款》。正式發布前的產品是按照「原樣」提供，支援範圍可能有限。 詳情請參閱推出階段說明。

(公開預先發布版) 自訂擷取器支援簽名偵測功能。這項功能可偵測文件中是否有簽名。簽章偵測功能只能透過 derived 方法類型使用。您可以為這類實體指定實體類型為 signature 的結構定義。簽名實體是根據文件中的視覺線索衍生而來。

如需範例和設定操作說明，請按一下「Custom extractor with derived field and signature detection」(具有衍生欄位和簽章偵測功能的自訂擷取器)。

含有衍生欄位的自訂擷取器

預覽

這項產品適用《服務專屬條款》中「一般服務條款」一節的《正式發布前產品條款》。正式發布前的產品是按照「原樣」提供，支援範圍可能有限。 詳情請參閱推出階段說明。

自訂擷取器支援衍生欄位。您可以設定欄位，根據文件內容透過智慧推論或生成功能填入資料，而非直接擷取文字。這項功能可用於多種用途，例如從地址推斷國家/地區、總結文件、計算表格中的項目，或偵測身分證件是否真實，而不必在文字中明確顯示值。

如需範例和設定操作說明，請按一下「Custom extractor with derived field and signature detection」(具有衍生欄位和簽章偵測功能的自訂擷取器)。

重要事項： 系統會依據各頁面產生衍生欄位。詳情請參閱衍生欄位限制。

後續步驟

瞭解具備衍生欄位和簽名偵測功能的自訂擷取器。