上一篇我写了MinerU——一个在把PDF喂给AI之前专门做解析的工具。

有读者可能会问：现在Claude、Gemini、GPT都支持直接上传PDF了，为什么还需要单独做这一步？

这个问题问得好。答案需要先搞清楚大模型读PDF这件事背后到底发生了什么。

一、三种读PDF的方式

目前大模型处理PDF，主要走三条路。

第一条路：把每页变成图片，用视觉模型理解。

这是Claude、Gemini、GPT-4o的原生支持方式。你上传一个PDF，模型会把每一页渲染成图片，然后用视觉能力去看这些图片，提取文字和结构。

优点是简单——对用户来说，上传即用。

缺点是成本高、稳定性差。每一页都按图片计算token，一份50页的论文，Claude大约消耗75000到150000个token，Gemini相对便宜，GPT-4o居中。更关键的是，视觉模型在处理复杂布局时不够稳定——双栏论文、嵌套表格、行间公式，经常识别错乱。

第二条路：直接提取PDF文字层。

PDF文件里，有些是带有真实文字层的（text-based PDF），有些只是扫描图片。对于前者，可以用基础工具（如pypdf、pdfplumber）直接提取文字，速度快、成本极低。

但这条路的问题是：文字提取出来是什么顺序，取决于PDF里元素的排列方式，而不是人类的阅读顺序。双栏论文提取出来经常是左栏右栏混在一起，表格变成乱码，公式消失。遇到扫描件，这条路完全失效。

第三条路：专门的文档解析工具。

MinerU、LlamaParse这类工具走的是这条路。它们先做结构分析——识别阅读顺序、区分文字和表格和公式、处理扫描件OCR——然后输出结构化的Markdown或JSON，再交给大模型处理。

多一个步骤，但原材料的质量完全不同。

二、对学术PDF来说，差距有多大

有一个评测用800多份真实文档对17种解析方案做了系统测试，包括开源工具、商业API，以及直接用大模型处理。

几个值得记住的数字：

即使是表现最好的方案，文本相似度也没有超过88%。没有任何一种方式在复杂文档上能做到完美。

更有意思的发现是：不同文档类型之间的差距很大。同一个解析方案，在普通文档上可能得分70%以上，在学术论文上掉到60%甚至更低。学术PDF的双栏布局、大量公式、复杂图表，对所有方案都是挑战。

还有一个反直觉的结论：用大模型直接解析PDF，并不总是比专门工具更好。LlamaParse在鲁棒性指标上表现比Gemini更稳，而成本只有后者的十分之一。GPT-4o-mini的文本提取得分还过得去，但文档结构破坏率极高——对需要保留结构的RAG场景来说是致命的。

三、不同场景，不同选择

这不是说原生PDF支持没有价值。对于不同的使用场景，合适的工具是不同的。

如果你只是想快速问一个PDF里的某个问题，Claude或Gemini的原生支持完全够用——上传，提问，拿答案。简单、即时、不需要额外配置。

如果你在处理大量文献、需要批量提取信息、或者要把PDF内容作为后续AI处理的输入，直接上传的方式就开始出现问题。成本积累很快，质量不稳定，而且扫描件处理得不好。

如果你的PDF里有大量公式、复杂表格、或者是扫描版，专门解析工具几乎是必须的。视觉模型对公式的识别比人们想象的更不可靠，一个认错的符号可能改变整个表达式的含义。

对于做研究的人，处理的往往是最后这种情况——学术论文、扫描文献、充满公式的技术文档。这正是专门解析工具存在的意义。

四、流程上的一个建议

我现在的做法是把这件事拆开来想：

理解类任务——快速读一篇文献、提问、做笔记——直接上传给Claude或Gemini，足够了。

提取类任务——批量处理文献、结构化摘录信息、作为Claude Code的输入——先用MinerU解析成Markdown，再交给AI处理。

两条路并不矛盾。它们解决的是不同的问题。

真正的效率，不是找到一个工具解决所有问题，而是知道在什么情况下用什么工具。

参考：Applied AI PDF Parsing Benchmark，评测覆盖17种解析方案，800+真实文档。