PDF 一复制就乱?LightOnOCR-3 开始连图表一起读

一份 PDF 看起来清清楚楚，复制出来却是一团乱：左右两栏串在一起，表格丢了列，图里的数字还得一个个敲。

最烦的往往不是读完它，而是把里面的信息，变成能继续用的资料。

10 月 8 日，LightOn 发布了 LightOnOCR-3。这个新模型把目标往前推了一步：不只转录文字，还能标出版面区域、描述图片，并把图表中的数据提取成表格。官方研究页

听起来很适合救急。但“提取出一张表”和“得到一张能放心用的表”，中间还有几道检查。今天就说清楚：它的新变化在哪里，哪些人值得试，哪些地方还不能省心。

一页资料包含文字、表格和图表；原创概念示意，不是模型实际识别结果

01｜复制出文字，只完成了一半

假设你正在整理一份行业报告。里面有正文、柱状图、旁边的说明，还有页脚。

你当然可以逐页截图，再让 AI 总结。但如果你要把其中的图表数据拿去做对比，把某个结论放进演示稿，还得知道：数字属于哪一项，单位是什么，原文在哪一页。

只留下文字，可能把这些关系拆散。左栏最后一句接到了右栏开头，表格里一行数字脱离了表头，图下注释混进正文——结果读起来像一段话，却不一定还能表达原来的意思。

LightOnOCR-3 的新模式试图保留这些联系。官方模型卡介绍，输入页面图像后，使用 grounding 模式，会在内容块前加上类型标签和位置框；图片可以附带简短描述，图表则输出数据点的 HTML 表格。官方模型卡与输出格式

换句话说，你拿到的有机会不只是“这一页写了什么”，还包括“哪一块是什么、在页面哪里”。

位置的价值，是方便回到原图核对。它不是准确性的保证。 一个标得很整齐的框，也可能圈住了认错的内容。

02｜同一页资料，两种提取方式

这套模型保留了两种使用方式。

空提示词走文字转录，输出页面文字；只把提示词改成 grounding，就会增加版面与视觉信息。官方列出 0.8B、1B 和 4B 三个型号，供不同部署条件选择。发布团队技术说明

文字转录与 grounding 输出的区别；依据官方模型卡，原创流程示意

对读者而言，真正的变化不是提示词少打了几个字，而是后续整理的起点变了。

做资料研究的人，可以把提取结果和页面位置一起保存，引用时更容易找回出处。经常整理图表的人，可以先拿到候选数据，再对照原图检查，不必每次都从空表格开始录入。

搭建企业知识库的人，也有理由关注：标题、段落、表格如果能分开处理，后续搜索和问答就能更贴近文档结构。这里说的是一种应用思路，不代表装上模型就自动拥有完整的知识库。

模型也不是一个已经打包好的万能 PDF 编辑器。它处理的是页面图像，开发者还要负责把 PDF 转成图像、调用模型，并把结果送进自己的应用。

官方 GitHub 仓库提供了客户端、命令行工具、结果查看器和评测相关代码；发布团队还给出了在线演示入口。有技术基础的人，可以从这些入口验证自己的页面。项目仓库 · 官方演示入口

普通用户则可以先观察相关文档工具是否接入。没有必要为了偶尔处理一份资料，就立即折腾完整的部署环境。

03｜别把榜单分数读成中文材料保证

发布团队给出了多项基准。其中，4B 版本在 olmOCR-Bench 的综合分为 86.3，而表中 Infinity Parser Pro 为 87.6。团队也说明，评分前的格式归一化，会明显影响结果。官方评测及口径

这些是项目方公布的评测，不是本文复测。86.3 也不能直接解释为“你手里的 PDF 有 86.3% 能识别正确”。

更需要留意的是，报告中的文档类型并不等于你的材料类型。法语文档成绩好，不能推出中文扫描件、潦草手写字或每一种财务表格都可靠。选模型时，自己的样本比一个综合排名更有说服力。

还有一个常见误区：表格排得越漂亮，越容易让人放松警惕。

模型可能保留了表格形状，却把一个负号、一处小数点或某个单位读错。图片描述也可能是合理猜测，不能直接替代原图证据。重要字段应逐个核对，不能只扫一眼排版就交付。

因此，我更看重它是否让错误更容易被发现。结构化输出如果能够帮助你快速找到原位置、确认字段，比一段看起来流畅却找不到出处的摘要更适合继续使用。

04｜先拿三页难材料，别直接搬整库

核对原图、字段与表头关系；原创检查示意，非实测截图

如果你准备试，先找三种真实页面：一页双栏正文，一页带表头和脚注的表格，一页带单位的图。

不用先追求数量。把自己最容易卡住的页面找出来，手动记录几个正确答案，再看模型返回什么。

双栏页检查阅读顺序，表格页检查行列配对，图表页检查数值、单位和图例。与此同时，确认提取结果能否方便地回到原图位置。

最后，把“运行完成”换成一个更实际的判断：整理完这几页，我究竟少改了多少地方？

若它只是把手动录入变成逐项纠错，未必值得换工具。若它稳定保留了结构，让你能快速确认来源，再考虑扩大到更多材料。

涉及内部资料时，先用脱敏样本验证。上传在线演示之前，也应确认资料是否适合交给外部服务；模型开源，并不代表任何在线入口都在你电脑里运行。

我的判断是，LightOnOCR-3 值得关注的地方，在于它把“提取文字”推进到了“保留可继续处理的内容关系”。

我们并不缺一个能把报告说得头头是道的 AI。更需要的是，交给它一页材料后，数字没有丢，关系没有乱，回头还能找到依据。

你最常遇到的 PDF 麻烦，是复制乱序、表格难搬，还是图里的数字不好提取？先选一个最费时间的问题来试。

资料核对：截至北京时间 2026 年 10 月 9 日晚。依据 LightOn 官方研究页、发布团队 10 月 8 日技术文章、模型卡和 GitHub 仓库整理；这些原始资料来自同一项目方，并非独立复测。功能及评测为项目方说明，使用场景与核对建议为编辑判断。本文未试跑模型，配图均为原创示意，不展示虚构实测结果。