文档解析

general · 首次出现 2026-05-22 · 最近出现 2026-11-17 · 累计提及 141

综述

文档解析是指将 PDF、扫描件等非结构化文档转换为可被大模型和检索系统使用的技术,涵盖 OCR、表格识别、版面理解和内容抽取等环节,目前正成为 RAG 与企业级 AI 落地中的关键瓶颈环节。随着各类文档解析模型与服务的涌现,如何准确评估解析质量、在成本与精度之间权衡,成为行业近期讨论的焦点。

文档解析评测框架的新动向

  • LlamaIndex 发布 ParseBench-2:可按业务偏好自定义权重的文档解析评测框架。新框架允许用户根据自身业务场景为不同解析错误设置权重,使评测结果更贴近实际需求,而非单一平均分。
  • LlamaIndex 发布 ParseBench-2:按错误严重度加权评估文档表格解析。表格解析的错误严重度差异化处理是此次更新的重点,例如漏掉整列与个别字符错误不应被同等看待。
  • 此前 ParseBench 曾引发社区争议,Jerry Liu 回应称批评有道理但也有噪音,反映出解析评测基准本身的公信力仍是敏感话题。
  • 成本、部署与模型路线的分化

  • LlamaIndex Agentic Plus 降价至每页 25 credits,显示头部厂商在大规模文档处理场景下开始以价格竞争争取客户。
  • LlamaParse 提供 5 种生产部署方式,按数据驻留位置选择,覆盖 SaaS、自有云与本地硬件,满足金融、医疗等行业对数据不出域的合规要求。
  • NaceAI 用小模型自校验 OCR,Parse Index 得分 0.834 超 GPT-6 Astra,说明轻量模型配合校验机制有望在部分场景挑战通用大模型。
  • 社区方面,开发者基于 MiniCPM 构建可溯源文档校验 agent TraceCell,为解析结果的可验证性提供了开源思路。
  • 当前焦点与观察点

    文档解析领域当前的核心争议在于"准确率话语权"。Reducto CEO 谈 PDF 解析:99% 准确率为何还不够指出,即便表面指标很高,长尾错误在企业关键流程中仍可能造成实质损失,这解释了为何行业开始转向按错误严重度加权、支持自定义权重的评测方式。另一个值得观察的分野是 Jerry Liu 提出的文档 OCR 两条路线:轻量开源与 VLM 高精度——前者成本低、可私有化,后者精度高但依赖算力。短期内,两条路线将并存,而评测基准的透明度、部署灵活性(如本地化选项)和单页处理成本,将成为用户选型时最主要的三个判断维度。

    相关报道

    10 条在档