復雜的簡歷，AI也能讀懂了。

阿里巴巴集團研究團隊，開發出了一套基于布局感知的簡歷解析框架。

該框架在簡歷解析任務上的準確率逼近Claude-4等業界頂尖大模型，處理整份簡歷僅需1-2秒。

而且這項創新直擊自動化簡歷解析的三大痛點——版面格式多樣、大模型成本高昂及響應速度慢，為智能招聘樹立了新的效率與精度標桿。

該技術框架的論文《Layout-Aware Parsing Meets Efficient LLMs: A Unified, Scalable Framework for Resume Information Extraction and Evaluation》已發布。

長久以來，自動化簡歷篩選一直是企業招聘的痛點。

面對多欄、圖文混排等五花八門的簡歷格式，基于規則的NER實體識別和傳統AI模型常常“束手無策”。

而直接使用強大的通用大語言模型，又面臨著響應延遲高、計算成本昂貴的困境，難以滿足大規模、高實時的工業級應用需求。

阿里巴巴的這項研究直面以上挑戰，提出了一個創新解決方案。

精準“讀懂”復雜簡歷

傳統模型按部就班地閱讀文本，遇到簡歷的復雜布局時，模型使用傳統方法需要進行文檔理解，鏈路會帶來大量耗時。

而阿里的新框架首先引入了一個“布局感知解析器”。

它如同人類的眼睛一樣，能夠看懂簡歷的整體結構，無論是左邊的個人信息欄，還是右邊的工作經歷，都能被識別并分割成獨立的邏輯區塊。

隨后，系統會將這些區塊按照人類的閱讀習慣重新排列組合，形成一個清晰、有序、帶索引的文本。這一步驟解決了布局混亂帶來的解析難題，為后續的精準信息提取奠定了堅實基礎。

兼顧頂尖準確率與超高效率

在解決了布局問題后，真正的優勢在于其高效的LLM提取策略。

研究團隊沒有選擇動用龐大的百億或千億參數模型，而是創新性地對一個僅有0.6B參數的小模型（Qwen3-0.6B）進行了微調。

通過專門構建的包含數萬份簡歷的指令數據集進行訓練，這個小模型學會了精準地從文本中提取關鍵信息。

更關鍵的是，團隊采用了“并行任務分解”和“索引指針”機制。

系統會將提取任務（如基本信息、工作經歷、教育背景）拆分，讓模型并行處理，大大縮短了響應時間。

在提取大段描述性文字時，模型不再逐字生成，而是直接返回文本所在的“行號范圍”（索引），系統再根據行號從原始文本中精確回填。

這不僅將生成token的數量降到最低，節約了成本，更保證了內容的100%保真，杜絕了模型“自由發揮”或信息“幻覺”的可能。

實驗結果令人矚目：在包含大量真實復雜簡歷的RealResume數據集上，這個微調后的0.6B模型F1-score（綜合衡量準確率的指標）達到了0.964。而其處理一份簡歷的平均耗時僅為1.54秒，遠快于Claude-4的4.62秒，實現了3-4倍的速度提升。

目前，該技術框架已在阿里巴巴集團內部的HR系統中全面部署。

在線上服務中，整個系統展現出強大的實時處理能力，吞吐量可達每分鐘240-300份簡歷，平均響應延遲低于2秒，10s內成功解析率達到100%。

這項研究證明了，通過創新的系統設計和模型優化，可以在不犧牲準確率的前提下，大幅降低大模型技術的使用門檻和成本。

GitHub地址
https://github.com/alibaba/SmartResume
論文地址
https://arxiv.org/abs/2510.09722
Demo地址
https://modelscope.cn/studios/Alibaba-EI/SmartResumeDemo
ModelScope地址：
https://modelscope.cn/models/Alibaba-EI/SmartResume
HuggingFace地址：
https://huggingface.co/Alibaba-EI/SmartResume