RaV-IDP: Un framework di ricostruzione come validazione per un'elaborazione intelligente dei documenti fedele
RaV-IDP: A Reconstruction-as-Validation Framework for Faithful Intelligent Document Processing
April 26, 2026
Autori: Pritesh Jha
cs.AI
Abstract
Le pipeline di elaborazione intelligente dei documenti estraggono entità strutturate (tabelle, immagini e testo) dai documenti per l'utilizzo in sistemi a valle come basi di conoscenza, generazione aumentata dal recupero e analisi. Una limitazione persistente delle pipeline esistenti è che l'output di estrazione viene prodotto senza un meccanismo intrinseco per verificare se rappresenta fedelmente la fonte. I punteggi di confidenza interni al modello misurano la certezza dell'inferenza, non la corrispondenza con il documento, e gli errori di estrazione passano silenziosamente ai consumatori a valle.
Presentiamo Reconstruction as Validation (RaV-IDP), una pipeline di elaborazione documentale che introduce la ricostruzione come componente architetturale di prima classe. Dopo che ogni entità viene estratta, un ricostruttore dedicato riproduce la rappresentazione estratta in una forma confrontabile con la regione originale del documento, e un comparatore assegna un punteggio di fedeltà tra la ricostruzione e il ritaglio della fonte non modificato. Questo punteggio di fedeltà è un segnale di qualità ancorato alla realtà e privo di etichette. Quando la fedeltà scende al di sotto di una soglia specifica per tipo di entità, viene attivato un fallback strutturato con visione GPT-4.1 e il ciclo di validazione si ripete. Applichiamo un vincolo di bootstrap: il comparatore si ancorà sempre alla regione originale del documento, mai all'estrazione, prevenendo così che la validazione diventi circolare.
Proponiamo inoltre un framework di valutazione per fase che abbina ogni componente della pipeline a un benchmark appropriato. La pipeline di codice è pubblicamente disponibile all'indirizzo https://github.com/pritesh-2711/RaV-IDP per sperimentazione e utilizzo.
English
Intelligent document processing pipelines extract structured entities (tables, images, and text) from documents for use in downstream systems such as knowledge bases, retrieval-augmented generation, and analytics. A persistent limitation of existing pipelines is that extraction output is produced without any intrinsic mechanism to verify whether it faithfully represents the source. Model-internal confidence scores measure inference certainty, not correspondence to the document, and extraction errors pass silently into downstream consumers.
We present Reconstruction as Validation (RaV-IDP), a document processing pipeline that introduces reconstruction as a first-class architectural component. After each entity is extracted, a dedicated reconstructor renders the extracted representation back into a form comparable to the original document region, and a comparator scores fidelity between the reconstruction and the unmodified source crop. This fidelity score is a grounded, label-free quality signal. When fidelity falls below a per-entity-type threshold, a structured GPT-4.1 vision fallback is triggered and the validation loop repeats. We enforce a bootstrap constraint: the comparator always anchors against the original document region, never against the extraction, preventing the validation from becoming circular.
We further propose a per-stage evaluation framework pairing each pipeline component with an appropriate benchmark. The code pipeline is publicly available at https://github.com/pritesh-2711/RaV-IDP for experimentation and use.