contract-rag 解析、清洗并为脏合同 PDF 打分，再抽取可按文本块溯源、带置信度分级的事实。这个页面上的每一个数字都能从开源仓库复现——凡是模拟输入，我们都会如实标注。
40 篇真实 CUAD 合同、模拟脏数据（带种子的破坏套件）
把你最脏的一份合同发给我们 — 48 小时内交付 PoC 报告按文本覆盖率探测每份文档并路由到合适的解析器（docling / VLM / paddleOCR）；按页路由能识别整份文档级路由会漏掉的"数字件+扫描件"混合合同——实测：EDiTh 混合文档中有 98.8% 会有至少一页路由错误（整份路由时）。
一个可解释的加权评分（乱码、表格完整性、空白块、OCR 置信度）会标出需要人工复核的内容——我们也如实说明它看不到什么：置信度无法标记遗漏，因为被遗漏的事实根本不会产生任何文本块，而不是一个低置信度的块。我们已经测量过这个盲区，并为此构建了一个基于几何墨迹覆盖率的信号。
每一个抽取出的值，都必须是其引用源文本块的原文片段——溯源关系由结构保证，而非靠提示词承诺。verify() 会把低置信度或无法溯源的字段挂起待人工复核，同一批事实还能导出为 CSV/JSON，并提供 Salesforce/Ironclad 的字段名最佳对齐映射。
| CUAD（40 篇真实合同） | 规则抽取器字段 F1 0.676（95% 置信区间 [0.594, 0.746]），溯源准确率 1.000；本地结构化约束解码（qwen2.5-32B）0.661–0.672，schema 失败 0/40，对比标准 TOOLS 模式函数调用的 12/40。模拟脏数据提升：字段 F1 0.333 → 0.701，质量分 0.64 → 0.97。 |
| Kleister-NDA（40 份真实 SEC EDGAR NDA） | 规则抽取器字段 F1 经过两轮针对性修复后从 0.523 提升到 0.697，溯源准确率 1.0——这也是与合成金标集 0.98 分数之间那道诚实的差距。 |
| Tobacco800（100 页真实扫描件） | 签名存在性检测器：精确率 0.981，召回率 0.773，F1 0.864——能标记出 33/34 份未签署文档，而朴素的"默认已签署"基线一份也找不到。 |
| FinCriticalED（85 页真实降质 SEC 文件） | 491 条专家标注事实中有 7.7% 在 OCR 输出里完全消失，而文档级质量评分依然显示 0.998——这是一个置信度阈值无法捕捉的盲区。 |
| EDiTh（86 份真实混合格式文档） | 整份文档级路由下，98.8% 的数字件+扫描件混合文档至少有一页路由错误（共 204/464 页）——正是这个测量结果促使我们构建了按页路由。 |
乱码（Mojibake）、单词中间被换行拆开、每页重复的页眉，以及近似重复的文本块，都会同时污染分块检索并干扰结构化抽取——模型检索到的是噪声，引用的也是错误片段。在建索引或抽取之前，先清洗成一个有类型的文档 IR，是从根源解决问题，而不是靠更大的模型硬扛。
在公开的 CUAD 基准（40 份真实合同）上，确定性规则抽取器字段 F1 达到 0.676（95% 置信区间 [0.594, 0.746]），溯源准确率 1.000。在真实的 SEC EDGAR NDA（Kleister-NDA）上，同一套方法达到 0.697，而我们自己的合成金标集分数是 0.981——这个合成与真实数据之间的差距，我们选择公开发布，而不是隐藏。
可以。文本覆盖率探测会为每一页路由到合适的解析器（原生数字文本 vs OCR）——这一点很重要：98.8% 的真实混合文档在整份文档级路由下至少有一页会路由错误，这正是我们把路由做到按页而非按文档粒度的原因。扫描件的签名检测同样已经构建并测量（Tobacco800：F1 0.864）。
每一个抽取出的值都必须是其引用文本块（source_block_id）的原文片段——溯源关系由结构强制保证，而不是靠提示词承诺。verify() 守卫会把低置信度或无法溯源的字段挂起，转交人工复核，而不是悄悄给出一个可能错误的答案。
可以——CSV/JSON 导出会携带 doc_id、字段名、值、source_block_id、置信度、风险分级，以及一个 verified 标记，并提供 Salesforce/Ironclad 的字段名最佳对齐映射（供导入参考，并非官方 schema）。
因为只展示成功数字的供应商，是在要求你相信营销话术，而不是证据。我们测量过 DAPEI 风格的定义注入，结果没有帮助；我们试验过一个替代 OCR 引擎，最终没有采用；我们测量过自己的质量评分对 OCR 遗漏的盲区。这三项负面结果都和其他有效的结果并列展示在这个页面上。