Unsiloed AI 获 750 万美元融资,解锁企业文档读取难题

内容管家 AI领域评论1字数 1342阅读4分28秒阅读模式
Unsiloed AI 获 750 万美元融资,解锁企业文档读取难题

Unsiloed AI 完成 750 万美元种子轮融资,押注「让 AI agent 读懂复杂文档」

企业正把越来越多的工作交给 AI agent,但被锁在复杂文档里的信息依然是块硬骨头。表格、图表、多栏排版,通用模型常常读不准;读错一个数字,在银行、医院、律所这类每天依赖文档运转的场景里,代价可能相当高。旧金山创业公司 Unsiloed AI 刚拿到由 Felicis 领投的 750 万美元种子轮融资,做的正是这件事:把复杂文档拆解、抽取信息,转成 AI agent 能直接使用的结构化数据。

融资与团队构成

本轮由硅谷风投 Felicis 领投,Y Combinator、Orange Collective、Uncorrelated Ventures 跟投,天使投资人 Aarthi Ramamurthy 与 Beth Turner 也参与其中。

Unsiloed 由 Aman Mishra 与 Adnan Abbas 联合创办。两人在印度理工学院 Kharagpur(IIT Kharagpur)读书时是同学,之后各自投入一段时间打磨技术,并一同加入 Y Combinator 2025 秋季批次。

核心技术路线:双流视觉 + 热力图分块

Mishra 在采访中把问题归因于大模型本身的概率属性:「LLM 的问题在于它们本质上是概率性的,一定会引入偏差,一定会存在幻觉,而这会对下游造成巨大的负面影响。」Unsiloed 的做法不是直接让模型「读文档」,而是先用软件把文档拆开,再做抽取。

具体技术有三条:

  • 双流(dual-stream)视觉模型:文本与图像数据分开处理。Mishra 描述为「一个流里是文本 token,另一个流里是精确的图像 token」,并称这是团队花了大量时间做架构设计的部分。
  • 热力图分块(heat map-based chunking):识别文档中最关键的区域,把更多算力集中投到图形、数字、图表上,而不是所有段落一视同仁地处理。
  • 专用解码器:考虑行业专属术语,区分在不同业务语境下含义不同的同一批词条。

这套机制的一个附带结果是可溯源:系统会标出抽取信息在原始文档中的来源位置,让业务方可以核对结果,而不是只能选择「全盘相信 AI 输出」。

性能数据与基准测试

Unsiloed 用一家企业客户提供的 542 份金融文档做了测试,在约 84,000 个抽取数据点上达到 99.78% 的准确率(依据公司提供的技术简报)。对照对象包括主流 AI 模型、微软 Azure Document Intelligence,以及该客户自研的抽取工具。该结果尚未经过独立验证。 在 Allen AI 开发的公开基准 olmOCR-Bench 上,Unsiloed 宣称超越了同类竞品。该公司自行开展的测试结果如下:

系统 olmOCR-Bench 得分
Unsiloed 88.0
Reducto agentic 系统 66.0
Unstructured 39.9

该基准覆盖 1,403 页 PDF,考察表格、数学公式、扫描件与复杂版式的处理能力。

客户与商业化进展

Unsiloed 已在金融、法律服务与医疗健康领域落地。值得一提的是其部署形态的差异:一家银行用它的技术处理文档,一家律所则把系统部署在自己的服务器上,用于处理合同和历史案卷;两家公司均未具名。Mishra 点名了语音 AI 创业公司 Bolna AI 为客户,称其用 Unsiloed 摄取知识库来构建语音 agent。

定价方面,Mishra 表示起步价为每页 1 美分。他同时称,把算力集中投向文档中最需要关注的部分,也有助于压低整体成本。

目前 Unsiloed 全员仅 7 人。新资金的主要用途是招聘更多研究员与工程师、扩大销售,以及构建自有数据集以改进技术。

竞争格局与影响

Unsiloed 切入的是一个已经拥挤的赛道:既有 Reducto、Unstructured 这类专注文档处理的创业公司,也有微软和亚马逊的相关产品线,企业还常常直接拿通用大模型来抽文档信息。

对采购方而言,有三点值得注意:

  • 可溯源是这类产品的分水岭。财务、法务、医疗场景里,「能不能核对」比「准确率标称多少」更关键,Unsiloed 强调的来源定位能力正是打在这一点上。
  • 看测试条件,而不只是看分数。99.78% 与 olmOCR-Bench 的 88.0 均由公司自行测试得出,且样本来自其自家客户(542 份金融文档、1,403 页 PDF),迁移到其他行业文档时的表现需要自行验证。
  • 按页计费适合先试点。每页 1 美分的入门价对小范围验证成本不高,但复杂文档的实际单页成本,以及私有化部署(如该律所的做法)的整体投入,应在试点阶段一并算清。

这是一个 7 人团队在文档智能垂直方向上的早期下注,技术路径的差异化足够清晰,但市场里既有独角兽玩家也有大厂自带能力,它的窗口期取决于能否在金融与法务这类高价值场景里把准确性和可审计性做扎实。

延伸阅读

 
内容管家

发表评论