AI की मदद से PDF का सार कैसे बनाएं (और उद्धरण सुरक्षित रखें)

किसी भी “AI द्वारा PDF का सार बनाना” वर्कफ़्लो का सबसे कठिन हिस्सा भरोसा (trust) है: सार अक्सर ठीक-ठाक पढ़ता है, लेकिन उससे जुड़े उद्धरण असल में सही हैं या नहीं, यह सुनिश्चित नहीं होता। हमारी कोचिंग में शामिल एक दूसरे-वर्ष की PhD उम्मीदवार ने इसे एक व्यवस्थित (systematic) समीक्षा के बीच में समझा, जब उसके सामने 187 PDF की कतार लगी हुई थी। तभी उसे पता चला कि उसके सार स्प्रेडशीट में समस्या है। लगभग 60 प्रविष्टियों में ऐसे शोध-पत्रों का उद्धरण था जो स्रोत PDF में दिखाई नहीं देते थे। जिस टूल का उसने उपयोग किया था, एक मुफ़्त ChatGPT-स्टाइल PDF summarizer, वह प्रशिक्षण-डेटा की स्मृति से सहायक उद्धरणों को बहुत सहजता से गढ़ रहा था और उन्हें सार-वाक्यों से जोड़ रहा था, बिना इस सत्यापन के कि जिस शोध-पत्र का उद्धरण दिया गया है वह वास्तव में दस्तावेज़ में मौजूद है भी या नहीं। यदि उसने शुरुआती दस प्रविष्टियों को spot-check नहीं किया होता, तो ये “phantom citations” उसकी थीसिस में प्रवेश कर जातीं। इस सफ़ाई (cleanup) में दो सप्ताह लगे।

यह विफलता-ढांचा (failure mode) 2026 में AI के साथ शैक्षणिक PDF का सार बनाने की केंद्रीय जोखिम-स्थिति है। स्वयं सार अक्सर सही होता है; उससे जुड़े उद्धरण अक्सर नहीं होते। इस जोखिम के दो रूप हैं। पहला है omission: सार एक ऐसे पैराग्राफ को संकुचित कर देता है जिसमें तीन स्रोतों का उद्धरण था, और उसे एक ही दावे में बदल देता है, बिना किसी श्रेय/एट्रिब्यूशन के, जिससे उस दावे की बाद में रक्षा (defend) करने के लिए आवश्यक “chain” टूट जाती है। दूसरा है hallucination: मॉडल प्रशिक्षण-स्मृति से ऐसे सहज-स्वाभाविक उद्धरण उत्पन्न करता है जो विश्वसनीय तो लगते हैं, पर वास्तव में स्रोत PDF में मौजूद नहीं होते। दोनों ही बातों को बाद में पहचानना आसान नहीं है और पता लगने के बाद भी कठिन होता है।

यह पोस्ट वह वर्कफ़्लो प्रस्तुत करती है जो इन दोनों विफलता-स्थितियों को रोकता है। हम बताते हैं कि सामान्य PDF summarizers उद्धरणों को क्यों हटाते हैं या hallucinate करते हैं; एक “citation-safe” सार को कौन-से चार प्रकार के मेटाडेटा संरक्षित करने चाहिए; वह step-by-step वर्कफ़्लो जो सत्यापन-योग्य सार तैयार करता है; एक अच्छा citation-safe सार वास्तव में कैसा दिखता है; टूल चयन का संक्षिप्त नोट; और वे सामान्य विफलताएँ जिन्हें हर शोधकर्ता को पहचानना आना चाहिए।

आप PDF AI के उद्धरण-आउटपुट को संदर्भ खोए बिना कैसे संक्षेपित करते हैं?

सामान्य summarizer की बजाय “citation-aware” टूल चुनें: NotebookLM हर सार-वाक्य को PDF के किसी स्रोत-खंड (source span) से एंकर करता है, जिससे hallucinated citations को संरचनात्मक (architecturally) रूप से बनाना कठिन हो जाता है। मॉडल को निर्देश दें कि स्रोत से आने वाले किसी भी in-text citation को संरक्षित करे, हर दावे के लिए वह पेज नंबर शामिल करे जहाँ वह दावा प्रकट होता है, और इनफ़रेंस को स्पष्ट रूप से चिह्नित (flag) करे। फिर बाकी बैच पर भरोसा करने से पहले शुरुआती तीन सारों में दिए गए उद्धरणों को स्रोत PDF के खिलाफ सत्यापित करें।

सामान्य AI PDF summarizers उद्धरण क्यों हटाते हैं या hallucinate करते हैं?

इसके पीछे वास्तुशिल्पीय (architectural) कारण वही है, जो हमने पूर्ण manuscript के लिए अपने hallucinated-citation पोस्ट में बताया था](/blog/citation-formatting-guide-apa-mla-chicago): LLM tokenizer के पास citation spans के लिए कोई विशेष स्थिति (special status) नहीं होती। जब मॉडल किसी PDF का सार बनाता है, तो वह स्रोत को टोकनों की एक श्रृंखला की तरह पढ़ता है और ऐसा सार उत्पन्न करता है जो सामग्री का अनुमान (approximation) भर देता है। स्रोत में मौजूद citations ("(Smith, 2024)") अन्य टोकनों की तरह ही टोकन होते हैं। आउटपुट में citations तीन जगहों में से किसी एक से आ सकते हैं: स्रोत से कॉपी होना (सबसे अच्छा मामला), स्मृति से फिर से उत्पन्न होना (hallucination का उच्च जोखिम), या बिल्कुल छोड़ दिया जाना (सबसे सामान्य विफलता)।

तीन व्यवहार (behaviors) टूल्स के बीच अलग ढंग से दिखते हैं। ChatGPT का default PDF summarization अक्सर उन in-text citations को संरक्षित करता है जब वे छोटे, साफ़ (short clean) पाठ-अंशों में हों; पर यह उन्हें घने (dense) पैराग्राफ़ों में गिरा या फिर से लिख (drop or rewrite) देता है। Claude स्मृति से citations उत्पन्न करने को लेकर अधिक रूढ़िवादी (conservative) है, फिर भी लंबे दस्तावेज़ों में कुछ citations छोड़ देता है। NotebookLM सबसे मजबूत है क्योंकि वह हर सार-वाक्य को PDF के किसी स्रोत-खंड से एंकर करता है, जिससे hallucination सिर्फ “निरुत्साहित” होने की बजाय संरचनात्मक रूप से कठिन हो जाती है। Scholarcy शैक्षणिक (academic) संदर्भों के लिए विशिष्ट है और इसी उपयोग-प्रकरण के लिए बनाया गया है; लेकिन इसकी सार-ग्रैन्युलैरिटी (granularity) कभी-कभी उतनी बारीक नहीं होती जितनी citation density की ज़रूरत है।

व्यावहारिक (operational) निष्कर्ष यह है: summarization में टूल का चुनाव translation की तुलना में अधिक मायने रखता है। बिना citation-anchoring अनुशासन वाला सामान्य-उद्देश्य LLM ऐसा सार देगा जो प्रवाहपूर्ण (fluent) और आत्मविश्वास से “स्रोत-सम्मत” (confidently sourced) लगेगा, लेकिन आंशिक रूप से गलत भी होगा। citation-aware टूल कभी-कभी कम “एलीगेंट” सार बनाता है, पर वह लगातार traceable होता है। अपनी लिखाई को सूचित करने वाले किसी भी सार के लिए दूसरा विकल्प चुनना चाहिए।

एक citation-safe सार कौन-से चार प्रकार के मेटाडेटा संरक्षित करता है

हर सार को उद्धरण-संभाल (citation handling) का एक ही स्तर नहीं चाहिए। नीचे दिए गए चार प्रकार का मेटाडेटा एक “मेन्यू” की तरह है; ऐसा स्तर चुनें जो आपके use case से मेल खाता हो।

1. स्रोत से in-text citations. जब स्रोत PDF कहती है "(Martinez & Chen, 2024) found that...", तो citation-safe summary को वही श्रेय/एट्रिब्यूशन सार में ही संरक्षित करना चाहिए। सार को "researchers have found that..." में समेटना नहीं चाहिए और न ही उस दावे का श्रेय, पेपर के लेखकों को, दिए बिना उसे cited source तक सीमित रखना चाहिए। in-text citation मूल साक्ष्य (evidence) तक लौटने वाली “chain” है; इसे खोना chain तोड़ देता है।

2. Reference list anchor. सार में स्रोत पेपर के बारे में पर्याप्त मेटाडेटा होना चाहिए (लेखक, वर्ष, जर्नल, DOI) ताकि आप अपने काम में उसे सही ढंग से cite कर सकें, बिना PDF दोबारा खोले। अधिकांश टूल्स यह तुच्छ रूप से कर लेते हैं; विफलता तब होती है जब टूल वास्तविक पेपर की तुलना में अलग DOI या वर्ष उत्पन्न कर दे, यह दुर्लभ है, पर फिर भी बैच में एक बार जाँचने लायक है।

3. Page या section anchor. सार का वाक्य उस स्रोत के विशिष्ट पेज या सेक्शन की ओर वापस लिंक करे जहाँ वह दावा दिखाई देता है। NotebookLM यह native रूप से करता है; Sharly AI पेज संदर्भ देता है; Claude और ChatGPT तब तक नहीं देते जब तक आप पेज नंबर स्पष्ट रूप से शामिल करने को न कहें। पेज anchor वही है जो लेखन के दौरान पूरे पेपर को फिर से पढ़े बिना किसी दावे को verify करने में मदद करता है।

4. Confidence flag. एक ऐसा सार जो "the paper says X" और "I infer the paper means X" के बीच अंतर करता है, उससे अधिक उपयोगी है जो दोनों को एक ही दावे में सपाट कर देता है। कुछ टूल्स (NotebookLM, Scholarcy) यह अंतर संरक्षित करते हैं; अधिकांश LLM-based टूल्स इसे गिरा देते हैं (collapse)। समाधान prompt-स्तरीय है: मॉडल से uncertain inferences को स्पष्ट रूप से चिह्नित करने को कहें।

जो सार चारों प्रकार के मेटाडेटा संरक्षित करता है उसे बनाना अधिक समय लेता है और वह उतना सहज/सुंदर (less elegantly) नहीं पढ़ता जितना वह सार जो नहीं करता। यह भी केवल वही प्रकार का सार है जिसे आप अपने लेखन में cite करने के लिए सुरक्षित मान सकते हैं। यह trade-off आपके उस काम के लिए सार्थक है जिसमें आप किसी स्रोत का उपयोग करने वाले हैं।

उद्धरण खोए बिना एक शैक्षणिक PDF का सार कैसे बनाएं?

पाँच चरण। यह वर्कफ़्लो मानता है कि आप साहित्य-समीक्षा (literature review) या systematic-review उद्देश्य के लिए PDF के एक बैच का सार बना रहे हैं; एकल पेपर के लिए Step 1 छोड़ दें।

Step 1: PDF को मानकीकृत (standardize) करें। सुनिश्चित करें कि आपके बैच की हर PDF से पाठ (text) निकाला जा सकता है (स्कैन की गई छवि नहीं होनी चाहिए)। किसी भी स्कैन की गई PDF पर OCR चलाएँ (ABBYY FineReader, Adobe Acrobat Pro, या मुफ़्त Tesseract pipeline)। OCR के बिना स्कैन की गई PDF पर summarization की गुणवत्ता लगातार खराब रहती है; citations विशेष रूप से यादृच्छिक (random) character strings के रूप में सामने आते हैं। यह चरण प्रति PDF 10 से 30 सेकंड लेता है।

Step 2: दस्तावेज़ की लंबाई और citation density के आधार पर टूल चुनें। 20 पृष्ठों से कम का एकल पेपर और सामान्य citation density (60 से कम references) के लिए फ़ाइल-अपलोड इंटरफ़ेस के माध्यम से Claude Sonnet की सिफारिश है। साहित्य-समीक्षा के लिए प्रोसेस हो रहे पेपरों के बैच में जहाँ source-span traceability सबसे महत्वपूर्ण है, NotebookLM की सिफारिश है। systematic reviews में, जहाँ आपको structured data extraction (sample size, intervention, outcome) चाहिए, Scholarcy या एक custom Claude prompt की सिफारिश है। citation safety के लिए tool selection, prompt engineering से अधिक महत्वपूर्ण है।

Step 3: चारों प्रकार के मेटाडेटा के लिए स्पष्ट रूप से prompt दें। सामान्य "summarize this paper" prompts ऐसे सार बनाती हैं जिनमें citations गिर जाते हैं। हम जो prompt template इस्तेमाल करते हैं:

Summarize this paper in 150-300 words. For every claim in the
summary:
1. Preserve any in-text citation from the source (e.g., "Smith
   (2024) found that...").
2. Include the page number where the claim appears.
3. Mark with [INFERENCE] any claim that is your inference rather
   than a direct statement in the paper.
4. At the end, list the paper's full citation in APA format and
   any methodology details (sample size, study design, primary
   outcome) that appear in the abstract or methods section.

Prompt overhead वास्तविक है (~50 tokens), लेकिन आउटपुट क्वालिटी का अंतर सार्थक (meaningful) है। NotebookLM को इस prompt की आवश्यकता नहीं होती क्योंकि इसकी architecture चरण 1-3 को स्वचालित रूप से संभाल लेती है; Claude और ChatGPT दोनों इसके साथ काफ़ी बेहतर होते हैं।

Step 4: बैच पर भरोसा करने से पहले पहले तीन सारों में citations सत्यापित करें। पहले तीन पेपरों के लिए स्रोत PDF खोलें और सुनिश्चित करें कि सार में दिए गए हर in-text citation वास्तव में स्रोत में मौजूद हैं। अगर आपको सार में ऐसे citations दिखते हैं जो स्रोत में प्रकट नहीं होते, तो टूल hallucinating है; ऐसे में टूल बदलें या prompt को कड़ा करें। यही एकल जाँच (single check) वही systematic-review failure pattern पकड़ती है जिसके साथ हमने पोस्ट की शुरुआत की थी।

Step 5: मेटाडेटा intact रखते हुए structured format में export करें। प्रति पेपर एक पंक्ति (row) और columns में (citation, summary, page references, methodology details, आपके notes) वाला स्प्रेडशीट downstream writing के लिए सार को उपयोगी बनाए रखता है। उन free-text exports से बचें जो प्रति-पेपर row संरचना को खो देते हैं। CSV या BibTeX-with-notes में export करने वाले टूल्स को reference managers के साथ एकीकृत करना आसान होता है।

पूरा वर्कफ़्लो प्रति PDF लगभग पाँच से दस मिनट लेता है, जिसमें लगभग 60 प्रतिशत समय verification check (Step 4) पर लगता है। verification step ही तय करता है कि citation-safe summary और fluent-but-wrong summary में क्या अंतर है।

वास्तव में एक citation-safe सार कैसा दिखता है?

चार-metadata मानक (standard) को ठोस बनाने के लिए, उसी पेपर को दो तरीकों से सार रूप में दिखाया गया एक उदाहरण।

Citation-blind summary (generic ChatGPT default):

This study examined the effects of a new intervention on cognitive
decline in older adults. The researchers found significant
improvements in working memory and processing speed. The
intervention was well-tolerated and showed promise for clinical
application. Future research should explore long-term effects.

यह सार प्रवाहपूर्ण है और सक्षम (competent) लगता है। लेकिन citation के संदर्भ में यह बेकार है। इसमें दावों का मूल स्रोतों से कोई श्रेय नहीं है। “researchers found” का framing किसी भी आंतरिक citation को एक ही voice में समेट देता है। verification के लिए कोई page reference नहीं है। यदि आप इसे अपने काम में cite करना चाहें, तो आपको PDF फिर से खोलनी होगी।

Citation-safe summary (NotebookLM-style with explicit prompt):

Kowalski et al. (2024) examined the effects of a 12-week
cognitive-training intervention on working memory in adults aged
65-80 (n = 247) [p. 3]. The intervention produced significant
improvements in working memory (d = 0.42, p < .001) and processing
speed (d = 0.31, p = .003), replicating earlier findings from
Park and Liu (2021) [p. 8]. The intervention was well-tolerated
with no adverse events reported [p. 11]. The authors note that the
12-week duration may be insufficient to detect long-term effects,
and recommend a 24-month follow-up study [p. 14, discussion].
[INFERENCE: The effect sizes are moderate, which is consistent with
the cognitive-training literature reviewed in the introduction
(Park & Liu, 2021; Wei et al., 2023) but smaller than the original
training paradigms from the 1990s.]

पूर्ण संदर्भ: Kowalski, M., Singh, R., & Patel, A. (2024).
बुज़ुर्ग वयस्कों में संज्ञानात्मक प्रशिक्षण: 12-सप्ताह का एक यादृच्छिक परीक्षण।
Journal of Cognitive Enhancement, 18(3), 234-251.
https://doi.org/10.1007/s41465-024-00345-x

Methodology: n = 247, ages 65-80, 12-week randomized controlled
trial, primary outcome working memory composite, secondary outcome
processing speed.

दूसरा सार लगभग दोगुनी लंबाई का है। यह आपको बिना PDF फिर से खोले, इस पेपर को cite करते हुए एक literature-review पैराग्राफ लिखने भी देता है। स्रोत से आने वाले हर in-text citation को संरक्षित किया गया है। पेज संदर्भ स्पष्ट हैं। inference को flagged किया गया है। पूरा संदर्भ (full reference) आपके reference manager में paste करने के लिए तैयार है।

आप अपने काम में जिन भी स्रोतों को cite करेंगे, उनके लिए दूसरा format न्यूनतम मानक (minimum standard) है।

एक पैराग्राफ में टूल चयन

हमारे व्यापक AI साहित्य-समीक्षा वर्कफ़्लो पोस्ट में multi-paper केस कवर है; citation-safe PDF summarization के लिए इसका छोटा टूल-चयन संस्करण यह है: NotebookLM, traceable citation-anchored summaries के लिए (फ्री, Google account आवश्यक, literature-review बैचों के लिए सर्वश्रेष्ठ); एकल लंबे PDF के one-shot summarization के लिए file upload के जरिए Claude Sonnet (200K context window अधिकांश journal articles को एक ही पास में संभाल लेती है); structured-data extraction के लिए systematic reviews में Scholarcy (paid, पर structured output घंटों बचाता है); reading के दौरान किसी एक PDF के खिलाफ conversational Q&A के लिए ChatPDF ("इस पेपर में X के बारे में क्या कहा गया है?" जैसे प्रश्नों के लिए अच्छा)। हमारा अपना AI summarizer ऊपर दिए चार-metadata मानक के साथ citation-preservation पैटर्न को wrap करता है। किसी भी ऐसे स्रोत के लिए generic free PDF summarizers से बचें जिसे आप cite करना चाहते हैं; hallucination risk वास्तविक है।

सामान्य विफलताएँ और उन्हें कैसे पकड़ें

हम जिन literature reviews का ऑडिट करते हैं, उनमें पाँच तरह की विफलताएँ दिखाई देती हैं। हर एक के लिए एक विशिष्ट उपाय (fix) है।

Failure 1: Hallucinated supporting citations. सार किसी ऐसे पेपर के आधार पर दावे का श्रेय देता है जो स्रोत PDF में दिखाई नहीं देता। Fix: किसी भी बैच में पहले तीन summaries को स्रोत PDF के खिलाफ verify करें। यदि hallucinated citations दिखते हैं, तो टूल बदलें (सबसे भरोसेमंद तरीके से NotebookLM पर) या prompt को इस तरह कड़ा करें कि source-span anchors अनिवार्य हों।

Failure 2: Collapsed attribution. सार "Smith (2024) found X, but Jones (2023) found Y" को बदलकर "researchers have found mixed results." कर देता है। Fix: in-text citations को संरक्षित करने के लिए prompt को स्पष्ट रखें; ऐसे टूल चुनें जो इसे native रूप से संभालें (NotebookLM, Scholarcy)।

Failure 3: Wrong methodology details. सार sample size, study design, या primary outcome ऐसी रिपोर्ट करता है जो वास्तविक पेपर से मेल नहीं खाती। यह citation hallucination से कम होता है, लेकिन होने पर अधिक गंभीर होता है। Fix: prompt में "extract methodology details verbatim from the methods section" शामिल करें; पहले बैच को verify करें।

Failure 4: Generic abstract regeneration. "summary" मूलतः पेपर के abstract का री-राइट है और body से कोई अतिरिक्त जानकारी नहीं जोड़ता। यह quick overview के लिए उपयोगी हो सकता है, पर literature review के लिए, जिसमें body से methodology, results, और limitations चाहिए, बेकार है। Fix: body content के लिए खास तौर पर prompt दें; abstract के अलावा अन्य sections के खिलाफ spot-check करके verify करें।

Failure 5: Citation format drift. सार citation content को तो संरक्षित करता है, लेकिन उसे स्रोत के अलग format में रख देता है (parenthetical से narrative, या इसके उलट)। यह पहले चार की तुलना में कम गंभीर है, फिर भी पकड़ा जाना चाहिए। Fix: मूल citation format को संरक्षित करने का prompt दें; citation-formatting hub canonical formats कवर करता है, अगर बाद में आपको normalize करना पड़े।

पेपर सार-संक्षेप (paper summarization) के लिए हमारी व्यापक workflow में (citation-preserv[ation angle के अलावा) AI के साथ research paper का सार कैसे बनाएं पोस्ट में शामिल है; यह पोस्ट उसी workflow का PDF-विशिष्ट और citation-safety extension है।

अक्सर पूछे जाने वाले प्रश्न

Q: 2026 में शैक्षणिक PDFs को summarize करने के लिए कौन-सा AI टूल सबसे अच्छा है?

सही टूल use case पर निर्भर करता है। citation traceability जहाँ सबसे अधिक महत्वपूर्ण है, ऐसे batch PDF processing के साथ literature reviews के लिए NotebookLM सबसे मज़बूत विकल्प है। एकल लंबे पेपर्स (लगभग ~500 पेज तक) के लिए file upload के जरिए Claude Sonnet अपनी 200K context window को एक ही pass में उपयोग करता है। structured-data extraction की जरूरत वाले systematic reviews के लिए Scholarcy उद्देश्य-निर्मित (purpose-built) है। reading के दौरान किसी एक PDF के खिलाफ conversational Q&A के लिए ChatPDF सबसे तेज़ है। जिन स्रोतों को आप cite करने वाले हैं, उनके लिए generic free PDF summarizers से बचें; academic उपयोग में citation hallucination risk केंद्रीय failure mode है।

Q: क्या PDF को summarize करते समय ChatGPT citations hallucinate करेगा?

यह कर सकता है, खासकर dense passages में या जब prompt विशेष रूप से citations की मांग करे और उन्हें source spans से anchor किए बिना। हमारी सिफारिश है कि किसी भी LLM से कभी भी "generate citations" न मंगवाएँ; इसके बजाय उससे कहें कि "source में जो भी in-text citations दिखाई देते हैं उन्हें preserve करे" और "हर दावे के लिए वे page numbers शामिल करे जहाँ वह दावा दिखाई देता है"। इस तरह citation कार्य को source-span verification से जोड़ा जा सकता है, न कि मॉडल की training memory से।

Q: मैं AI की मदद से 60,000 शब्दों की थीसिस कैसे summarize करूँ?

ऐसा टूल इस्तेमाल करें जो long-context support देता हो: Claude Sonnet (200K tokens एक सामान्य थीसिस को एक pass में कवर कर देता है) या NotebookLM (जो स्वचालित रूप से chunking करता है और chunks के बीच consistency बनाए रखता है)। पूरी थीसिस को एक साथ करने के बजाय chapter by chapter summarize करें; chapter-wise summaries आपकी literature-review section लिखने के लिए अधिक उपयोगी होते हैं, और chunking आपको reviewable checkpoints देती है। full-thesis पास के लिए GPT-5 से बचें; 128K context अधिकांश chapters के लिए पर्याप्त है, लेकिन पूरे दस्तावेज़ के लिए यह असहज/अनुकूल नहीं रहता।

Q: क्या मैं अपने पेपर में AI-generated PDF summary को cite कर सकता हूँ?

आप summary को नहीं, मूल पेपर को cite करते हैं। summary एक टूल है जो आपको स्रोत को पढ़ने और याद रखने में मदद करता है; citation स्रोत स्वयं के लिए जाता है। यदि summary ने आपको कोई insight बनाने में मदद की, तो वह insight आपका है; citation उस शोध-पत्र के लिए है जो उस insight को समर्थन देता है। manuscripts में AI tool use को cite करने के बारे में हमारी व्यापक व्याख्या के लिए, हमारे AI disclosure guide को देखें, जो इस क्लस्टर में सबसे नज़दीकी companion पोस्ट है।

Q: मैं systematic review के लिए PDF से structured data कैसे निकालूँ?

ऐसी क्षमता (structured-output capability) वाले टूल का उपयोग करें: Scholarcy purpose-built extraction के लिए (sample size, intervention, outcome, conclusion को named fields के रूप में) या एक Claude prompt जो वही fields JSON या CSV format में माँगता हो। structured output को हमेशा कम-से-कम आपके बैच के पहले 10 पेपर्स के लिए स्रोत PDF के खिलाफ सत्यापित करना चाहिए; structured-extraction tools narrative summaries की तुलना में अधिक भरोसेमंद होते हैं, लेकिन हमारे editorial testing में फिर भी लगभग 5-10 प्रतिशत दर से गलत-field errors उत्पन्न होते हैं।