AI工具导航

KYNEX Harness

智能体式抽取评测框架,性能胜过 GPT-6 Astra 和 Opus。

KYNEX Harness 是什么?

KYNEX Harness 是一款 Agentic Extraction 工具,让大语言模型自主调用页面文本、表格解析、OCR、视觉、全文搜索和布局分析六种能力,无需分块、嵌入或单独检索即可精准提取信息。其基于 GPT-5.4 在 ExtractBench 中取得 92.97 F1,超过 GPT-6 Astra 和 Claude Code,并获 LlamaIndex 验证,采用 Apache-2.0 开源许可。

产品详细介绍

智能体式抽取评测框架,性能胜过 GPT-6 Astra 和 Opus。

KYNEX Harness 是一款 Agentic Extraction 工具,让大语言模型自主调用页面文本、表格解析、OCR、视觉、全文搜索和布局分析六种能力,无需分块、嵌入或单独检索即可精准提取信息。其基于 GPT-5.4 在 ExtractBench 中取得 92.97 F1,超过 GPT-6 Astra 和 Claude Code,并获 LlamaIndex 验证,采用 Apache-2.0 开源许可。

定价方案

需要付费
官网查看
定制方案
  • ✓

    暂未采集到具体套餐,价格以官网为准

创始人评论

Nikit Kashyap
Nikit Kashyap创始人

我创建 KYNEX,是因为我发现了一个规律:更大的模型并没有解决结构化抽取问题。真正的瓶颈不在于推理,而在于文档访问。

一份包含 26,725 行的日程表无法在一次 LLM 响应中完整呈现,因此模型会返回 null。扫描页面没有文本层,因此对模型而言不可见。模型靠“目测”读取表格中的值时,也容易在分隔符和符号上出现偏差。

我没有继续强化提示词,而是为模型提供工具,让它自行决定需要检查的内容。五项后处理规则——按页枚举、剪除非记录项、添加脱敏标记、生成结构化表格行,以及 OCR 回退——分别让特定文档的 F1 得分从接近零提升至 0.83 至 1.00。每项规则都有独立的禁用开关,以便我衡量其实际影响。

在 ExtractBench 上的结果是:配备工具的 GPT-5.4 得分高于未配备工具的 GPT-6 Astra。我还在 ABB 将这项技术用于 RFQ 摘要和 CPQ 配置表。

坦率地说,目前存在一项局限:这些规则是在同一批基准测试文档上开发的,而且长文档的得分仍然较低(长文档为 78.77,短文档为 94.29)。我希望听听大家对于如何在避免测试集泄漏的情况下评估后处理的建议。

创始团队

Nikit Kashyap
Nikit KashyapAI Platform & Agentic AI Engineer @ ABB