AI 讀 PDF 到底快不快、安不安全？

給公務同仁的檔案格式與 OCR 問答。先看三句結論，再依你的情境找問題。

先講結論

1. AI 模型不直接讀 PDF。它讀的是文字和圖片。你給它 PDF，平台得先把 PDF 拆成文字或圖片，它才看得到。
2. 能給文字，就不要給圖片。同一份公文，DOCX 二三十秒就有回應，掃描成圖片的 PDF 要等十分鐘以上。
3. 先看再送。不管哪種格式，上傳前確認裡面沒有不該出去的東西；掃描檔的黑框遮蔽尤其要親眼確認。

測試條件：同一組「好公文、壞公文」範例兩份一起上傳，同一句提示詞，同一個波特人。三種檔案都可以在 [ 學員教材 ] 下載，你可以自己重跑一次。

AI 模型到底「吃」什麼？

三種東西：文字、圖片、聲音。而且不是每個模型三種都吃。

你會發現清單裡沒有 PDF。PDF 是一種「排版容器」，裡面可能裝著文字，也可能只裝著圖片。模型看不懂容器本身，只看得懂裡面的東西。

那我上傳 PDF 為什麼還是能用？

因為平台在中間幫你做了一道工，業界叫「解析」（parsing）。流程是這樣：

1. 平台收到 PDF，先試著抽文字。抽得到，就把文字交給模型，這一步很快。
2. 抽不到文字（因為整頁是圖），就把每一頁轉成圖片。
3. 再對每張圖做 OCR（光學字元辨識），把圖上的字認出來變成文字，或直接把圖丟給看得懂圖的模型。
4. 最後模型才開始讀。你等的十分鐘，大部分花在第 2、3 步。

這道工是獨立於模型的技術。同一個模型，放在解析做得好的平台上跑得快又準；放在沒做好的平台上，可能慢、漏字，甚至卡住。 現在的解析技術常常也是靠另一個「專門看排版的小模型」在幕後幫忙分辨哪裡是表格、哪裡是內文。

PDF 有哪兩種？怎麼分辨手上這份是哪一種？

三秒判斷法：用任何 PDF 閱讀器打開，試著用滑鼠拖曳選取一段文字，或按搜尋鍵找一個你看得到的字。 選得起來、搜得到，就是文字型；整頁只能框成一個大方塊、什麼都搜不到，就是掃描型。

三種格式到底差多少？

回到頁首那張表。同一份內容，三種格式的差距不是幾成，是二十倍。原因在於工作量：

• DOCX：文字本來就在檔案裡，平台幾乎不用做事，直接交給模型。
• 純文字 PDF：平台要先解析 PDF 的結構把文字抽出來，多一道手續。
• 圖片 PDF：每一頁都要轉圖、辨識、校正，兩頁公文就是兩張高解析圖片的完整 OCR 流程。頁數越多，時間成正比拉長。

所以在教育訓練現場，我們預設發 DOCX。同樣三分鐘，六十個人用 DOCX 都能跑完看到結果；用圖片 PDF 則全場都在等。

強模型和地端模型都看得懂圖片，差在哪？

兩種都有「看圖」能力，但差在三件事：

結論不是「強模型贏」。地端模型的價值在資料不出門，代價是你要幫它把前置工作做好，它才能表現得好。怎麼做，見 [ 第 7 題 ]。

為什麼長 PDF 特別容易「亂講」？

常見的誤會是「模型笨」。更常見的真正原因是它根本沒讀到那一段。

• 模型一次能讀的長度有上限（上下文視窗）。文件超過上限，平台會把文件切成一塊一塊分批給它。
• 切塊的時候如果把一張表格切成兩半、把「說明三」和「（一）（二）」拆開，模型拿到的資料本來就是破碎的。
• 資料破碎，模型就會用它「覺得合理」的內容把洞補起來。這就是幻覺最常見的來源之一。

你能做的：長文件先拆章節、一次問一件事、要它「引用原文哪一段」再下結論。文字格式比掃描格式更不容易被切壞，因為切塊時看得到段落結構。

用地端模型，怎麼把前置工作做好？

業界有個粗略的經驗：一個 AI 讀文件的系統，前置的文件解析佔七成成敗，模型本身只佔三成。材料沒洗乾淨，再強的模型也是巧婦難為無米之炊。地端模型更是如此。

1. 能給 DOCX 就給 DOCX。自己寫的公文、會議紀錄、簽呈，從 Word 直接上傳，不要先轉 PDF 再上傳。
2. PDF 只給文字型。從系統匯出時選「另存為 PDF」，不要「列印成 PDF」再掃描。
3. 掃描檔先 OCR 一次，存成文字檔重複用。做法見 [ 第 9 題 ]。
4. 一次一份、一次一件事。不要把十份掃描檔一次全丟，先確定一份跑得順。
5. 專有名詞先教它。法條名、案號格式、機關簡稱，用勘誤表或在提示詞裡先講，辨識與理解都會準很多。

到底該選強模型還是地端模型？

看任務，不看名氣。

手上只有掃描檔，怎麼辦？

三個由快到慢的做法，選一個：

1. 回頭找文字版。自己機關發的文，公文系統裡一定有原始檔；外機關來文，可以問對方要電子檔。這是最快也最準的。
2. 讓強模型先幫你轉成文字，存起來重複用。把掃描檔丟給看圖能力強的波特人，請它「逐字轉錄成純文字，不要摘要、不要修改」， 轉完自己對照一遍，存成 DOCX。之後每次要用，都用這份文字檔，不要再讓 AI 重新 OCR 一次。
3. 真的要直接上傳掃描檔：一次一份、頁數少、解析度夠（文字清楚可讀）、不要歪。跑的時候去做別的事，不要盯著等。

上傳之前要檢查什麼？

PDF 因為看起來「像一張紙」，反而容易讓人忽略裡面藏了什麼。上傳前請看三件事：

1. 內容能不能出去。個資、未公開資訊、機敏等級，依機關規定判斷。這與格式無關，是 [ 底線二 ]。
2. 黑框遮蔽有沒有真的遮掉。文字型 PDF 上「畫一個黑色方塊蓋住」，底下的文字通常還在，AI 抽文字的時候照樣讀得到。 真正的遮蔽要把那段文字刪掉，或整頁壓成圖片再蓋。判斷法同 [ 第 3 題 ]：黑框底下如果還能選取到字，就沒遮好。
3. 有沒有多的東西。附件頁、第二頁以後的簽核流程、檔案屬性裡的作者姓名。一份 PDF 常常不只你看到的那一頁。

怎麼自己測一個模型讀 PDF 的能力？

不用相信廣告，準備三份「考卷」丟給它，答案一看便知：

同一組考卷，換不同模型、不同平台各跑一次，記下時間和錯誤數。這就是一張你自己機關的模型評測表。

版本落差：這頁的數字會過期嗎？

會。模型每幾個月換一代，平台的解析技術也在改，今天十分鐘的事情半年後可能變兩分鐘。所以請記住的是原理和倍數關係，不是秒數：

• 模型不直接讀 PDF，永遠是先拆解再讀。
• 文字永遠比圖片快、比圖片準、比圖片不容易被切壞。
• 前置整理做得越好，越弱的模型也能用；做得越差，越強的模型也救不回來。

回到教材

這篇教學對你有幫助嗎？

我們會參考你的意見持續改善教材。

有幫助 需改進