جست‌وجوی کلیدواژه‌ای در کنار برداری
میانگین رتبهٔ معکوس (MRR) روی ۱۲۷ پرسش کلیدواژه‌ای. بیشتر بهتر است.
- پیش از
- ۰٫۷۴۸
- پس از
- ۰٫۸۲۳
با رتبه‌بند حالت ترکیبی به ۰٫۸۵۱ می‌رسد. روی ۱۲۵ پرسش بازنویسی‌شده، تغییر در حد نوسان بود.
۱.۱.۲تازه‌های این نسخه
هر پاسخ، با نشانی صفحه‌اش.
از اسنادتان روی رایانهٔ خودتان بپرسید و هر پاسخ را با همان فایل و صفحه‌ای که از آن آمده مقایسه کنید.
هزینهٔ کل چقدر است و تحویل کی انجام می‌شود؟
پارس‌رگ۲ منبع
هزینهٔ کل ۴٫۲ میلیارد ریال است و مجوزها و سه ماه پشتیبانی را هم شامل می‌شود. تحویل برای پایان آذر ۱۴۰۵ و پس از آزمون پذیرش برنامه‌ریزی شده است.
دربارهٔ این اسناد بپرسید یا با @ به یکی اشاره کنید
PDFبودجه.pdfصفحهٔ ۳
هزینهٔ کل پروژه ۴٫۲ میلیارد ریال است و مجوزها و سه ماه پشتیبانی را هم شامل می‌شود.
DOCXزمان‌بندی.docxبند ۷
تحویل برای پایان آذر ۱۴۰۵ و پس از قبولی در آزمون پذیرش برنامه‌ریزی شده است.
درون برنامه
خود برنامه، به هر دو زبان.
تصویرهایی از مخزن پارس‌رگ: فضای کار، منابع پاسخ و تنظیمات مدل، در پوستهٔ روشن و تیره.
همهٔ صفحه‌ها در معرفی کامل۰۲حالت فقط اسناد
بی‌شاهد، بی‌ادعا.
در حالت «فقط اسناد»، هر جمله فقط تا وقتی در پاسخ می‌ماند که بخشی از سند پشتوانه‌اش باشد. شاهد را بردارید، ادعا هم با آن کنار می‌رود.
حالت «فقط اسناد» معنای پرسش را در نظر می‌گیرد؛ برای همین پرسشی که با کلمات دیگری نوشته شده یا دربارهٔ کل سند است هم پاسخ می‌گیرد. شرطش این است که هر واقعیتِ پاسخ از خود اسناد بیاید.
اجاره‌بها ماهانه ۴۵ میلیون ریال است و تا پنجم هر ماه باید پرداخت شود.
بر اساس اسناد ارائهشده، پاسخی برای این پرسش در متن پیدا نشد.
اجاره‌بهای ماهانه ۴۵ میلیون ریال است و تا پنجم هر ماه پرداخت می‌شود.
PDF اجاره‌نامه.pdf، صفحهٔ ۱
یک بخش از سند پشتوانهٔ این ادعاست
۰۳طرز کار
مسیر یک صفحه، از بارگذاری تا پاسخ.
هر مرحله‌ای که به سند شما دست می‌زند، از بارگذاری تا پاسخ منبع‌دار، روی رایانهٔ خودتان اجرا می‌شود.
بازیابی و ارجاع
نزدیک‌ترین بخش‌ها همراه پرسش شما به مدل می‌رسند. پرسشی که چند چیز را با هم می‌پرسد، بخش‌به‌بخش جست‌وجو می‌شود و پاسخ با ارجاع‌های شماره‌دار، کم‌کم روی صفحه می‌آید.
از درون: حالت ترکیبی نامزدها را با یک cross-encoder مخصوص خط فارسی و عربی دوباره رتبه‌بندی می‌کند. حالت «فقط اسناد» هم پیش از پاسخ، کافی‌بودن شواهد را می‌سنجد.
۰۴حریم خصوصی
شما تصمیم می‌گیرید چه چیزی از رایانه‌تان بیرون برود.
خواندن فایل‌ها، OCR، نمایهٔ جست‌وجو و گفت‌وگوها روی رایانهٔ خودتان می‌ماند. فقط مدلی که انتخاب می‌کنید تعیین می‌کند پاسخ کجا نوشته شود.
پاسخ روی همین رایانه تولید می‌شود. هیچ پرسش یا بخشی از سند از راه رابط مدل خارج نمی‌شود.
هر مرحله کجا انجام می‌شود
- خواندن و OCRرایانهٔ شما
- نمایهٔ جست‌وجورایانهٔ شما
- تاریخچهٔ گفت‌وگومرورگر شما
- پرسش و بخش‌های سندرایانهٔ شما
- نوشتن پاسخرایانهٔ شما
یک چت‌بات ابری معمولی هر پنج مرحله را روی سرورهای ارائه‌دهنده انجام می‌دهد. کلیدهای API فقط در حافظه یا متغیرهای محیطی می‌مانند و هرگز در حافظهٔ مرورگر، لاگ‌ها یا پاسخ‌های API ذخیره نمی‌شوند.
۰۵سنجش
اول اندازه‌گیری، بعد انتشار.
هر عدد این بخش به جایی از مخزن پیوند دارد که آن را ثبت کرده است. یک بهبود کوچک و صادقانه را به ادعایی بزرگ و مبهم ترجیح می‌دهیم.
خواندن اسکن‌های چرخیده با OCR
خطای نویسه روی صفحه‌های فارسی ۹۰ درجه چرخیده. کمتر بهتر است.
- پیش از
- ۰٫۸۵
- پس از
- ۰٫۰۹
صفحه‌های ۵ درجه کج از ۰٫۴۰ به ۰٫۲۴ رسیدند و صفحه‌های صاف تغییری نکردند.
دقت کلی OCR
میانگین خطای نویسه پس از تغییرات OCR نسخهٔ ۱٫۰. کمتر بهتر است.
- پیش از
- ۰٫۲۲۵
- پس از
- ۰٫۱۳۳
تصویر خاکستری با ۲۰۰ dpi، بدون کشش کنتراست و با گذر دوم بر اساس اطمینان.
بهبودی کوچک‌تر از آنکه پیش‌فرض شود
معیار MRR جست‌وجوی برداری با پیشوندهای E5 برای پرسش و بخش.
- پیش از
- ۰٫۶۷۲
- پس از
- ۰٫۶۸۲
آن‌قدر کوچک بود که ارزش ایندکس دوبارهٔ اسناد همه را نداشت؛ پس اختیاری مانده است.
بررسی‌شده در هر تغییر
عددهای بازیابی و OCR را نگه‌دارندهٔ پروژه روی مجموعه‌سندهایی اندازه گرفته که منتشر نشده‌اند؛ پس از روی مخزن عمومی قابل بازتولید نیستند. بررسی‌های CI در هر تغییر به‌صورت عمومی اجرا می‌شوند.
۰۶قالب‌ها
قفسه‌ای برای همهٔ فایل‌هایتان.
فایل‌های آفیس، اسکن‌ها، داده و کد با ساختارشان خوانده می‌شوند تا ارجاع بتواند به اسلاید یا بخش اشاره کند، نه فقط به نام فایل.
اسناد
.pdf .docx .pptx
استخراج ساختاریافته، همراه با OCR برای صفحه‌های اسکن‌شده یا پرتصویر PDF و تصاویر درون فایل‌های Word و PowerPoint.
تصاویر
.png .jpg .jpeg .webp .bmp .tif .tiff
تصویر پیش از خواندن اعتبارسنجی و یکدست می‌شود و بعد با OCR فارسی و انگلیسی خوانده می‌شود.
متن و داده
.txt .md .markdown .json .csv .tsv .log
متن با کدگذاری UTF-8، UTF-16 یا کدگذاریهای قدیمی ویندوز ۱۲۵۶ (فارسی) و ۱۲۵۲. فایل JSON اعتبارسنجی و یکدست می‌شود.
نشانه‌گذاری و پیکربندی
.html .htm .xml .yaml .yml .toml .ini .cfg
متن دیدنیِ فایل‌های نشانه‌گذاری و متن سادهٔ فایل‌های پیکربندی خوانده می‌شود.
کد منبع
.py .js .jsx .ts .tsx .css .sql
کد همراه با اطلاعات بخشهایش استخراج می‌شود تا پاسخ بتواند به جای دقیقی از فایل اشاره کند.
به‌طور پیش‌فرض هر گفت‌وگو ۱۰ فایل، هر فایل تا ۱۰۰ مبی‌بایت و هر بارگذاری تا ۵۰۰ مبی‌بایت را می‌پذیرد. فایل‌های آفیس از نظر فشرده‌سازی مشکوک بررسی می‌شوند و قالب‌های دودویی پشتیبانی‌نشده به‌جای اشتباه خوانده‌شدن، رد می‌شوند.
۰۷دو زبان
فارسی و انگلیسی، هر دو درجه‌یک.
زبان رابط را عوض کنید تا جهت، ارقام و برچسب‌های کل فضای کار تغییر کند. هر پاسخ هم از زبان خودش پیروی می‌کند.
زمان‌بندی تحویلاسناد
تحویل چه زمانی برنامه‌ریزی شده است؟
فقط از اسناد · ۱ منبع
تحویل برای پایان آذر ۱۴۰۵ و پس از آزمون پذیرش برنامه‌ریزی شده است.۱
۱زمان‌بندی.docxبند ۷
پرسشتان را اینجا بنویسید…فقط اسناد
۰۸نصب
روی رایانهٔ خودتان اجرا کنید.
به Docker، Ollama و ۸ تا ۱۶ گیگابایت RAM نیاز دارید. نصب پیشنهادی از همان Ollamaی روی رایانهٔ شما با مدل‌ها و GPU خودش استفاده می‌کند و پس از نخستین دانلود، بدون اینترنت کار می‌کند.
سپس http://127.0.0.1:8000 را باز کنید. نخستین اجرا مدل embedding و رتبه‌بند (حدود ۱۰۰ مگابایت) را در حافظهٔ مدل‌ها دانلود می‌کند.
# Ollama را از ollama.com نصب کنید و یک مدل بگیرید
ollama pull qwen2.5:7b
# دریافت کد
git clone https://github.com/Pooria82/ParsRAG.git
cd ParsRAG
# ساخت فایل تنظیمات
cp .env.example .env
# مقدار LLM_MODEL_NAME در فایل .env را نام همان مدل بگذارید
# ساخت و اجرای پارس‌رگ
docker compose up -d --buildحمایت از پروژه
خوشتان آمد؟ به آن ستاره بدهید.
پارس‌رگ پروژه‌ای مستقل است. ستاره دادن در گیت‌هاب کمک می‌کند کسانی که با اسناد فارسی کار می‌کنند راحت‌تر پیدایش کنند، و نشان می‌دهد ادامهٔ کار در کدام مسیر ارزش دارد.
اسناد شما. رایانهٔ شما. شواهد شما.
پارس‌رگ برای کسانی است که نمی‌توانند فایل‌هایشان را به یک چت‌بات ابری بسپارند، اما باز هم پاسخی می‌خواهند که بشود بررسی‌اش کرد.