ARTICLE · 1162105
PDF 直接喂给 AI 老答错?3 个开源工具先把表格抽干净
QUOTE
你把 PDF 丢给大模型，它答错数字，往往不是它笨，是那份文件在被读进去的时候就已经散架了。
这是「知识库接大模型」经常卡住的一关，也是「PDF 解析工具怎么选」这个问题的由来。今天说清一件事：为什么直接喂 PDF 会错，以及三个开源工具分别该用在哪类文件上。
本文看点
01
PDF 不是文档，是画
02
三个开源工具
03
一句话选型
01
WHY · 原理
先搞清一件事：PDF 不是「文档」，是「画」
Word 文件里，表格是有行列结构的对象。PDF 不是。它记录的是一页纸上每个字画在什么坐标，字与字之间的关系得靠解析器自己猜。
猜不准的地方，恰好是决定成败的地方。一份财报里，「2025 年度营业收入」在左边一列，对应金额在右边一列，中间隔了几厘米。按文本流顺序抽，这两段会被拆到不同的段落里。等到做检索时，捞出来的片段要么只有标题没有数字，要么只有数字没有出处——模型手上没有完整证据，就只能编一个。
「表格结构丢失，是 RAG 里代价很高的一种错，因为它错得很像对的。」
02
TOOLS · 工具清单
三个开源工具，各管一类文件
这三个都是开源项目，都能输出 Markdown 或结构化 JSON，都能自己部署，不需要把文件传给第三方。
上海人工智能实验室开源的项目。它的取舍是「一次到位」：版面分析、文字识别、公式、表格全包在一条流水线里。代价是要显卡，显存起步 8GB 上下。
它在公开榜单上的成绩值得看一眼。在 OmniDocBench（CVPR 2025，1,651 页、10 类文档）的第三方榜单里，1.2B 参数的 MinerU2.5-Pro 拿到 95.75 分，而通用大模型里分数靠前的 Gemini 3 Pro 是 92.91 分。一个 12 亿参数的小模型，在文档解析这件窄活上超过了参数量大它几十倍的通用模型。这不是它多聪明，是它只干这一件事。
IBM 开源，MIT 许可，CPU 就能跑。它的差别主要在输出：不管输入是 PDF、Word 还是 PPT，最后都落到同一套文档数据结构上，版面和表格关系都保留着，可以直接喂给主流的索引框架。
表格识别用的是专门的模型，对变形表格的容错比按规则硬拆的做法好不少。一份 2026 年 5 月发表的第三方研究拿 21 种流水线配置做过对比，结论之一是 Docling 在配合分层切分之后，取得了这批配置里靠前的自动化准确率。如果你的目标是「接进现有系统」，而不是「先看看能不能跑」，优先试它。
它的强项是速度和保留格式，代码块和公式都能原样带出来，也可以选择叠一层模型来提准确率。代价是在复杂版面上的表现不如前两个。排版规整、以代码和技术文档为主的文件，它的性价比更高；遇上扫描件和花哨版面，别指望它。
03
PICK · 选型
怎么选：一句话对照
∞
THE END · 写在最后
先拿你自己最脏的那份文件试
上面这张表只是起点。榜单第一不等于你的场景第一——同一份第三方榜单里，各家口径的分数就有出入，版本之间也在变。更靠谱的动作只有一个：从你自己的文件里挑最脏的那一份，三个工具各跑一遍，人手核对缺了多少个字段。
数「漏了多少字段」，比数「格式好不好看」有用得多。格式差异你能忍，字段漏了，模型就会替你把那个数字编出来。
在公众号对话框回复【工具】，我们把「PDF 解析选型自查表」整理好发你：一份按文件类型分的工具对照，一份「字段漏失率」的记录模板，另附本文每个数字的来源与核对日期。
REFERENCE
口径说明：本篇为公开资料整理，不含本站自测数据。榜单分数出自第三方公开评测（OmniDocBench 及其衍生榜单，读取于 2026-10-11），不同口径与版本之间分数存在差异，文中已注明。工具选择属「什么文件配什么方案」的分类建议，不构成对任何项目的优劣评价。
卓然手记
卓然信息技术（深圳）有限公司 · 专注 AI 能力接入、Token 额度与云资源服务。
这个号的差异化就两个字：实测 + 算账。别人转一条「AI 又更新了」，我们先看这次更新动了哪一行。
正在搭知识库、或者文件解析老是出错的，点文章底部的「阅读原文」，把「文件类型 + 现在用的方案」发我们，一起看该换哪一环。
如果今天这篇帮你省了一次选型返工，欢迎点赞、在看、转发三连，我们下篇见。