用前沿模型读 PDF 已经很准了,为什么还要专门做 OCR 方案?

先说个例子，保险理赔的审核 Agent 要读的是保单表里某一行的某一格。表头错一格，它读到的就是另一列，赔付金额也就跟着错。页面看不出问题，版式整齐，字也清楚，模型给的答复通顺。

这类错法是文档解析里最难发现的一类。表格错位、值缺失或被模型编出来、扫描件糊成一团，三种失效形态里只有最后一种肉眼能看出来。

前沿模型直读 PDF 把第一眼做好了，认得比人快，常用字也读得对。选型的分界线不在它读得准不准，而在你要的是文字还是结构。 这件事有一组现成的分数能看清。

一份公开榜单，五个维度分开排名

LlamaIndex 发布过一份 ParseBench ，样本是约 2000 页人工校验过的企业文档。测试规则 16.7 万条，方法 14 种。表格、图表、内容忠实度、语义格式、视觉定位，每一项单独排名。选型时可以直接查自己缺的那一项。

分数最好的那批方法，在内容忠实度上做到约 90%。听着够用。换算成页数就不好听了，每 10 页仍有 1 页出现明显遗漏或者幻觉。

一份几百页的合同包，就是几十页要人回头核。

"看着已经准了"这个印象有来处。用 BLEU 、 ROUGE 、编辑距离这类文本相似度打分，表头转置、图表被降级成一段 OCR 文本、删除线被静默丢掉，都能过关。多数基准的语料还取自学术论文和网页，企业文档占比低， OmniDocBench 里只有 6% 的页面来自企业内容。评估口径和真实账目错位，选型就会反复推翻。

图表、定位、格式，这三件现在补不上

视觉定位问的是"这个答案在页面上的哪一处"。 GPT-5 Mini 和 Haiku 在这一项低于 8%。围绕版面检测搭起来的传统解析器能到 55% 到 80%。空间定位是瓶颈。一次前向推理能说出表里写了什么，指不回它在第几行第几列。

图表的分布更难看。只有四家超过 50%，多数专用解析器低于 6%，它们不把图表数据抽成结构化表格。做金融、制造、医疗文档的人，这条是硬伤。

语义格式这项，分数从 Docling 的 1.0% 到 LlamaParse Agentic 的 85.2%。删除线、上下标、加粗在多数解析器眼里是装饰，直接剥掉。合同里的删除线标的是条款有没有生效。

复选框是同一类问题。要把任意大小、形状、勾没勾的方框转成结构化 JSON ，需要专门训模型。模型直读看得见那个框，稳定输出字段是另一件事。

直读的账单按页算，加钱也加不出结构

Anthropic 的文档把两种处理方式写在同一页， PDF 支持依赖视觉能力。走纯文本提取， 3 页 PDF 约 1000 token 。走完整视觉，每页同时按文本与图像处理， 3 页约 7000 token 。

七倍。一份 600 页的资料按视觉模式算，输入约 140 万 token 。

请求上限也在同一页。单请求最大 32MB ，最多 600 页。上下文窗口不到 1M token 时是 100 页。加密 PDF 不支持。

有人会说多给推理预算就行。同一份基准里测过这件事。 Gemini 从 minimal thinking 提到 high thinking ，涨约 5 分，成本翻四倍。 GPT-5 Mini 和 Haiku 的涨幅更小。视觉定位这类指标，加钱买不到。

连"读字符"都不是稳的

看清"读对文字"有多基础，有个反例。 LlamaIndex 把果蝇连接组接成了读 PDF 的装置，用了 16.6 万神经元、 2500 万条边。页面切成单个字形，像素映射成受体激活，在电路上跑简化动力学，下游接一个读出模型。真实 Microsoft 10-K 上，资产负债表标题约 86%， 1700 多个采样字形 87%，数字基本读对。

作者自己的落点，是不想用果蝇脑读 PDF 就用专门的 OCR 方案。

只认字形的装置停在 87%，说明读字符本身还没被解决。整页解析同理：没有方案做到 100% 准确率，所以"这一页到底解析对了没"没法靠肉眼判断。做法是给出页面级置信度分数，分数和解析模式、页面复杂度相关，低的转人工复核，或者触发自动兜底。

价格也摆在同一个问题上。 Cohere 的 parse 起步 1.50 美元一千页，在便宜端，五个维度平均约 50%。 LlamaParse 成本效益模式起步 0.375 美分一页。 Agentic 模式约 1.2 美分一页，总分 84.9%。拉开差距的是维度分。

选型的分界线：你要不要结构

把上面几组数字合起来，判断维度就四行。

要图表数据，走专用解析。要能按单元格取数的表格，走专用解析。要保住删除线这类格式，走专用解析。要答案能回链到页面上某一处，走专用解析。

反过来，只要正文文字、 PDF 本身是文本型、页数不多，模型直读够用，还省掉一整条管线和一个供应商。

页数上去以后，两边的账都要算。常见做法是两遍。第一遍用免费的 OSS 解析器做布局感知的粗读，一个 data room 三十几秒跑完，顺带标出每页的复杂度。第二遍只把复杂的页面放大处理，返回单元格级表格和置信度分数。这套模式对几十到几百份文档有效，它不替代大规模的离线索引。

有一处得说清楚。 ParseBench 由 LlamaIndex 发布维护，它自家的方案在榜上第一，数据集、评测代码和论文都公开。设计基准的人同时也是受益者，这组分数该按厂商自测读。换成你们自己的文档分布会差多少，我拿不准。

模型还会更强，今天低分的几项未必一直低。选型反复推翻的团队，通常是把"读得像不像"当成了标准。决定这条链路能不能进生产的是另一件事：这一页错了，你的系统什么时候知道。