Bối cảnh
Xử lý hóa đơn tiếng Việt từ trước đến nay vẫn luôn là bài toán đau đầu với các kỹ sư thị giác máy tính và xử lý ngôn ngữ tự nhiên. Sự đa dạng về định dạng, cấu trúc bảng thay đổi liên tục, và đặc biệt là chất lượng ảnh chụp thiếu sáng từ thiết bị di động thực tế khiến các phương pháp dựa trên rule-based hay OCR truyền thống dễ dàng thất bại.
Sự ra đời của LLMs với khả năng hiểu ngữ cảnh siêu việt đã mở ra hướng đi mới. Tuy nhiên, hiệu năng thực tế của các mô hình này khi chạy tại biên hoặc đám mây đối với hóa đơn tiếng Việt vẫn cần được đo lường cụ thể.
“Việc chuyển dịch từ pipeline OCR cổ điển sang mô hình Multimodal LLM end-to-end giúp chúng tôi giảm tỷ lệ lỗi trường thông tin xuống dưới 0.8% trên tập dữ liệu thử nghiệm hành chính công.”
Phương pháp đánh giá
Chúng tôi xây dựng bộ dữ liệu kiểm thử gồm hơn 2.000 ảnh hóa đơn tiếng Việt đa dạng về định dạng, độ sáng và mức độ nhiễu. Mỗi mẫu được gắn nhãn các trường cốt lõi: mã số thuế, tên đơn vị, tổng tiền, ngày phát hành và danh mục hàng hóa.
Các mô hình được đánh giá theo cùng một prompt schema và cùng pipeline hậu xử lý để đảm bảo so sánh công bằng giữa Qwen-2.5, Llama-3.1 và các biến thể fine-tune nội bộ.
Hiệu năng & Kết quả Thực Nghiệm
Dưới đây là bảng đo lường độ chính xác (F1-score) trích xuất dữ liệu trên tập test-set gồm 2,000 ảnh chụp hóa đơn tiếng Việt phức tạp:
| Model | F1-score |
|---|---|
| Qwen-2.5-VL | 94.2% |
| Llama-3.1 + OCR | 91.8% |
| Innovision fine-tune | 96.5% |
Điều này có ý nghĩa gì với doanh nghiệp?
Kết quả benchmark chứng minh rằng các doanh nghiệp quy mô vừa và lớn hoàn toàn có thể tự động hóa 95% quy trình xử lý hóa đơn và chứng từ, giúp loại bỏ thao tác nhập liệu thủ công và hạn chế tối đa rủi ro thất thoát tài chính.
Ứng dụng thực tế
Pipeline có thể kết nối vào hệ thống kế toán / ERP hiện hữu, kèm human-in-the-loop cho các trường có độ tin cậy thấp. Điều này giúp giảm thời gian xử lý mà vẫn giữ kiểm soát chất lượng.
Kết luận
Multimodal LLM đã đủ chín để trở thành lớp trích xuất chính cho hóa đơn tiếng Việt — nếu được đánh giá bằng bộ dữ liệu thực tế và quy trình vận hành rõ ràng, không chỉ bằng demo trên ảnh sạch.
