Firecrawl เปิดตัว 'anydoc' แปลงเอกสารเป็น Markdown ใน 4.4 มิลลิวินาที

Firecrawl ผู้พัฒนาแพลตฟอร์มจัดเตรียมข้อมูลสำหรับระบบ AI เปิดตัว anydoc  ซึ่งเป็นเครื่องมือโอเพนซอร์สสำหรับแปลงเอกสารหลากหลายชนิดให้เป็น GitHub-Flavored Markdown โดยพัฒนาด้วยภาษา Rust และเผยแพร่ภายใต้ใบอนุญาต MIT

ขณะตรวจสอบล่าสุด anydoc อยู่ในเวอร์ชัน 0.1.6 และมีชุดเชื่อมต่อสำหรับ Node.js, Python, Rust รวมถึง WebAssembly สำหรับใช้งานผ่านเว็บเบราว์เซอร์ โดยผู้ใช้สามารถติดตั้งผ่าน npm, pip หรือ Cargo ได้ตามสภาพแวดล้อมการพัฒนา

ทำไม AI ต้องแปลงเอกสารก่อนอ่าน

แม้โมเดลภาษาขนาดใหญ่หรือ LLM จะสามารถสรุปและตอบคำถามจากเอกสารได้ แต่ก่อนเข้าสู่ขั้นตอนดังกล่าว ระบบต้องดึงข้อความ โครงสร้าง ตาราง และลำดับการอ่านออกจากไฟล์ต้นฉบับเสียก่อน

ขั้นตอนนี้เป็นหนึ่งในจุดเปราะบางของระบบ AI Agent และ Retrieval-Augmented Generation หรือ RAG เพราะหากตัวแปลงเอกสารอ่านตารางผิด ทำหัวข้อหาย หรือเรียงข้อความจากเอกสารหลายคอลัมน์สลับกัน ข้อมูลที่ส่งให้ AI ก็อาจคลาดเคลื่อนตามไปด้วย

ดังนั้น ประสิทธิภาพของระบบ AI จึงไม่ได้ขึ้นอยู่กับความสามารถของโมเดลเพียงอย่างเดียว แต่ยังขึ้นอยู่กับคุณภาพของข้อมูลที่ถูกแปลงและจัดโครงสร้างก่อนนำเข้าสู่โมเดลด้วย

anydoc รองรับเอกสารอะไรบ้าง

anydoc รองรับเอกสารตระกูลหลัก ได้แก่

• Word เช่น DOC, DOCX และ DOCM
• PowerPoint เช่น PPT, PPTX, PPSX และ PPTM
• Excel เช่น XLS, XLSX, XLSM และ XLSB
• OpenDocument ได้แก่ ODT, ODS และ ODP
• รวมถึง RTF, EPUB, CSV และ PDF

เครื่องมือจะตรวจสอบชนิดของเอกสารจากข้อมูลภายในไฟล์ ไม่ได้อาศัยเพียงนามสกุลไฟล์ จึงอาจช่วยลดปัญหากรณีไฟล์ถูกตั้งชื่อหรือนามสกุลไม่ตรงกับรูปแบบจริง

เอกสารทุกประเภทจะถูกแปลงเข้าสู่แบบจำลองข้อมูลกลางชุดเดียว ก่อนส่งออกผ่านตัวสร้าง Markdown ตัวเดียวกัน แนวทางนี้ช่วยให้รูปแบบหัวข้อ รายการ ตาราง ลิงก์ เชิงอรรถ และหมายเหตุประกอบสไลด์มีพฤติกรรมสอดคล้องกันมากขึ้น ไม่ว่าไฟล์ต้นทางจะเป็น Word, PowerPoint หรือ OpenDocument

สำหรับรูปภาพและวัตถุที่ฝังอยู่ในเอกสาร anydoc จะแสดงข้อความกำกับภาพใน Markdown ส่วนข้อมูลไบนารีของไฟล์ภาพยังคงอยู่ในแบบจำลองเอกสาร เพื่อให้นักพัฒนานำไปจัดการต่อได้

Firecrawl เคลมความเร็วระดับ 4.4 มิลลิวินาที

ผลทดสอบที่ Firecrawl เผยแพร่ระบุว่า anydoc ใช้เวลาแปลงเอกสารค่ามัธยฐานประมาณ 4.4 มิลลิวินาทีต่อไฟล์ จากการทดสอบเอกสารจริง 100 ไฟล์ ครอบคลุม 14 รูปแบบ

การทดสอบดำเนินการบนคอมพิวเตอร์ที่ใช้หน่วยประมวลผล AMD Ryzen 9 9950X3D ระบบ Windows 11 และหน่วยความจำ DDR5 ขนาด 64 GB โดยบริษัทนำผลลัพธ์ไปเปรียบเทียบกับเครื่องมืออีกหลายรายการ เช่น LibreOffice, Unstructured, MarkItDown, Pandoc, Docling และ Mammoth

Firecrawl ระบุว่า anydoc ได้คะแนนเฉลี่ย 81 จาก 100 ในด้านความครบถ้วน โครงสร้าง การจัดรูปแบบ และความสะอาดของผลลัพธ์ พร้อมทำความเร็วได้สูงกว่าคู่เปรียบเทียบในชุดทดสอบดังกล่าว

อย่างไรก็ตาม ตัวเลขเหล่านี้ยังเป็น benchmark ที่ผู้พัฒนาจัดทำเอง แม้จะเปิดเผยเครื่องที่ใช้ วิธีให้คะแนน และโปรแกรมทดสอบไว้ในโฟลเดอร์ bench แต่ชุดเอกสารจริงไม่ได้ถูกเผยแพร่ เนื่องจากบริษัทระบุว่าไม่สามารถนำมาแจกจ่ายต่อได้ จึงยังมีข้อจำกัดต่อการทดสอบซ้ำโดยบุคคลภายนอก

ผู้พัฒนาระบบจึงควรนำเอกสารจริงขององค์กรไปทดสอบเพิ่มเติม โดยเฉพาะไฟล์ที่มีตารางจำนวนมาก รูปภาพฝัง ตัวอักษรหลายภาษา รูปแบบตัวเลขเฉพาะ หรือไฟล์เก่าที่ผ่านการแก้ไขมาหลายครั้ง

จุดเด่นคือรันในเครื่อง ไม่ต้องส่งเอกสารออกไปภายนอก

anydoc ถูกออกแบบให้ทำงานในเครื่องของผู้ใช้ โดยไม่ต้องเรียกโมเดล Machine Learning หรือบริการภายนอกในระหว่างการแปลงเอกสารตามปกติ

จุดนี้เหมาะกับองค์กรที่ต้องจัดการเอกสารภายใน เช่น สัญญา งบการเงิน รายงานผู้บริหาร เอกสารทางกฎหมาย หรือข้อมูลที่ไม่ต้องการส่งออกไปประมวลผลบนระบบคลาวด์

Firecrawl ยังเปิดตัวอย่างการใช้งานผ่าน WebAssembly ซึ่งประมวลผลไฟล์ภายในเบราว์เซอร์ โดยบริษัทระบุว่าไฟล์จะไม่ถูกส่งออกจากเครื่องของผู้ใช้

นอกจากนี้ anydoc ยังเป็นเทคโนโลยีส่วนหนึ่งที่อยู่เบื้องหลังบริการ Firecrawl Parse สำหรับผู้ที่ต้องการใช้งานผ่านระบบโฮสต์ของ Firecrawl

ข้อจำกัดสำคัญคือยังไม่มี OCR ในรุ่นรันภายในเครื่อง

แม้ anydoc จะรองรับ PDF แต่เน้นการอ่านข้อความจาก PDF ที่มีชั้นข้อความอยู่แล้ว หากเป็นเอกสารที่สแกนมาเป็นภาพล้วน เครื่องมือจะไม่สามารถอ่านข้อความได้ เนื่องจากรุ่นที่รันภายในเครื่องไม่มีระบบ Optical Character Recognition หรือ OCR

ในกรณีดังกล่าว ผู้ใช้ต้องเลือกบริการ Firecrawl Parse ซึ่งเพิ่มโมเดล OCR หรือส่งไฟล์ไปประมวลผลด้วยเครื่องมืออื่นที่รองรับเอกสารสแกน

anydoc ยังไม่สามารถแปลงไฟล์ที่เข้ารหัสหรือป้องกันด้วยรหัสผ่าน รวมถึงไฟล์เสียหายหรือไฟล์ที่ไม่มีเนื้อหาเพียงพอให้สร้าง Markdown ได้

ปัญหา Excel เริ่มปรากฏใน GitHub

เนื่องจาก anydoc ยังอยู่ในตระกูลเวอร์ชัน 0.1 จึงถือเป็นซอฟต์แวร์ระยะเริ่มต้น และมีรายงานปัญหาบางส่วนแล้วใน GitHub

ตัวอย่างเช่น การแปลง XLSX อาจแสดงแถวหรือคอลัมน์ที่ถูกซ่อนไว้เป็นข้อมูลปกติ ขอบเขตของเซลล์ที่ผสานกันอาจถูกตัดตามพื้นที่ที่มีข้อมูล และรูปแบบตัวเลขบางประเภทอาจหายไป เช่น ค่า 7.5% ถูกส่งออกเป็น 0.075 ซึ่งอาจทำให้ AI ตีความข้อมูลทางธุรกิจหรือการเงินผิดได้

ดังนั้น หากนำไปใช้กับงบการเงิน แบบจำลองทางการเงิน หรือข้อมูล Excel ที่มีสูตร เซลล์ผสาน และการซ่อนข้อมูล ควรมีขั้นตอนตรวจสอบผลลัพธ์ก่อนส่งให้ AI ประมวลผล

ไม่ได้มาแทนเครื่องมือ OCR แต่เหมาะเป็น “ด่านแรก”

เมื่อเปรียบเทียบกับเครื่องมืออย่าง LlamaParse, Unstructured, Marker หรือ Docling จะพบว่าแต่ละระบบมีจุดเน้นแตกต่างกัน

LlamaParse เน้นการทำความเข้าใจเอกสารซับซ้อนด้วย Agentic OCR และโมเดลด้านภาพ รองรับตาราง แผนภูมิ ลายมือ และเอกสารหลายรูปแบบ ส่วน Unstructured มีโหมดประมวลผล PDF ทั้งแบบเร็ว แบบความละเอียดสูง และแบบ OCR โดยเฉพาะ

Marker ใช้โมเดลสำหรับ OCR การตรวจจับเลย์เอาต์ ตาราง และสมการ ขณะที่ Docling มีระบบวิเคราะห์โครงสร้างหน้า OCR และโมเดลตรวจจับโครงสร้างตารางสำหรับ PDF ที่ซับซ้อน

จากคุณสมบัติเหล่านี้ anydoc จึงไม่ได้เป็นคู่แข่งโดยตรงในทุกกรณี แต่เหมาะกับการเป็นตัวแปลงลำดับแรกสำหรับเอกสารสำนักงานทั่วไปที่มีข้อความอยู่แล้วและต้องการความเร็วสูง

แนวทางหนึ่งคือส่งไฟล์ทั้งหมดผ่าน anydoc ก่อน หากแปลงสำเร็จและโครงสร้างถูกต้องก็สามารถนำผลลัพธ์ไปใช้ได้ทันที ส่วน PDF สแกน เอกสารหลายคอลัมน์ หรือไฟล์ที่มีเลย์เอาต์ซับซ้อนจึงค่อยส่งต่อไปยังระบบ OCR หรือ Vision Language Model ที่ใช้ทรัพยากรและมีต้นทุนสูงกว่า

Benchmark ที่สำคัญที่สุดคือไฟล์จริงขององค์กร

จุดน่าสนใจของ anydoc คือการเสนอทางเลือกที่เบา เร็ว และเปิดเผยซอร์สโค้ด สำหรับกระบวนการนำเอกสารเข้าสู่ระบบ AI ซึ่งมักถูกมองข้ามเมื่อเทียบกับการเลือกโมเดลภาษา

อย่างไรก็ตาม ความเร็วเพียงอย่างเดียวไม่เพียงพอสำหรับระบบใช้งานจริง องค์กรต้องวัดทั้งความครบถ้วนของข้อความ ความถูกต้องของตาราง ลำดับการอ่าน อัตราการแปลงล้มเหลว และผลกระทบต่อคำตอบของ AI

สำหรับผู้ที่ต้องประมวลผลเอกสารจำนวนมาก anydoc จึงเป็นเครื่องมือที่ควรทดลองในฐานะ “ด่านแรก” ของระบบ แต่ข้อสรุปว่าดีกว่าหรือประหยัดกว่าทางเลือกอื่นเพียงใด ต้องพิสูจน์ด้วยเอกสารจริงและเงื่อนไขการทำงานของแต่ละองค์กร