**D-RAC：将任意企业文档归一化为 PDF 的检索感知分块框架**

_Document Retrieval-Aware Chunking (D-RAC): Universal Retrieval-Aware Ingestion of Enterprise Documents via PDF Normalization and Multimodal Markdown Conversion_

> D-RAC 是 W-RAC 框架向任意文档格式的扩展：先把 PDF、Word、演示文稿、扫描件等统一归一化为 PDF（几乎所有格式都有忠实的确定性 PDF 渲染），再用单次多模态 LLM 将页面转换为检索优化 Markdown——把表格改写为自包含叙述句并保留标题层级——随后沿用 W-RAC 流程，将内容确定性解析为可按 ID 寻址的单元，并用轻量 LLM 基于标识符而非原文做分块规划，分块阶段不再重新生成原文，从而保持低成本、确定性与可观测性。在 RAG-Multi-Corpus 的 236 篇文档、795 页 PDF 子集（覆盖五个企业领域）上，D-RAC 用 72 分钟零错误完成全语料转换与分块，产出 1748 个可检索分块；相比前沿 LLM 的 agentic chunking，分块阶段输出 token 减少 95.7%，成本降低 77.8%（GPT-4.1 定价）至 85.6%（Gemini 2.5 Pro 定价），耗时减少 75%，并可线性扩展至 500 页以上文档。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-22 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.24220)