两百页的 PDF 问AI之前该怎么做

token 算术、文字层、表格、中间塌陷

两百页的年报，直接拖进 Claude 的对话框，多半会被拒掉。模型没有偷懒，这道坎先出在算术上。官方文档写得明白，单次请求最多一百页，一百万上下文的模型才能放宽到六百页。两百页的文件为什么过不去，往下算就清楚了。

Claude 读 PDF 的方式，官方文档写得很直白。每一页先转成一张图，再把那一页的文字抽出来，图和字一起递给模型。所以每一页要按两份开销算，文字一份，图片一份。文字部分每页一千五到三千 token，看页面密不密，图片另算。

按一页一千五到三千算，两百页就是三十万到六十万 token。一百万上下文的模型塞得下，二十万上下文的连门都进不去，这就是单次一百页这条线的来历。

同一个文件交给 Gemini，账完全是另一本。Google 的文档写的是每页两百五十八个 token，因为它默认不把整页渲染成图，省掉的是图片那份开销。两百页在这边是五万多，在那边是三十万起步，差出六到十二倍。原因在读法，两边喂给模型的东西本来就不一样。

网页应用里还藏着一条线。Claude 的应用允许单文件一千页，但超过一百页之后，后面那些页只按文字处理，图和表格看不见，界面不提示。四百页的报告传上去，字它读得到，图它看不见，问到图表里的内容，它给不出有依据的回答，而且回答得照样很自信。

有人在同一份十二页的纯文字报告上做过对照，十五个模型汇总下来，按文件传给 Claude 要两万七千多 token，把文字提出来粘过去只要六千上下。文件里没有图没有表的时候，多花的钱全花在把页面渲染成图这件事上，而模型看那几张图没有任何收益。

预算也好估。页数乘一千五到三千，是官方给的文字口径，图片那份再加，剩下的留给你要问的问题。超出预算的部分别硬塞，先提文本。

PDF 本质是一份排版结果的存档，它记住的是每个字符画在哪个坐标上。有的文件从生成那一刻起就没有文字层，扫描件最典型，整本在提取文字的接口眼里就是一叠图片。

判断这个不用装一堆东西，pypdf 几行就够。

pip install pypdf

python -c "from pypdf import PdfReader; r=PdfReader('report.pdf'); print([(i+1,len(p.extract_text() or '')) for i,p in enumerate(r.pages)])"

前置条件是装了 Python 3，pypdf 用 pip 装一下就行。输出是每一页的字符数，整页为零的那几页就是扫描页。有字的页把文本提出来再喂，比传整个文件便宜得多，也干净得多。

不过字提出来了，只代表字在，不代表结构在。坏掉的结构，多半坏在表格上。

PDF 里的表格没有行列的概念，只有一堆字符坐标和几条线。人眼看是表格，接口拿到的只是一堆散落的字，谁在哪一行哪一列，全靠猜。

文档解析这块有个公开基准 OmniDocBench，OpenDataLab 维护，指标叫 TEDS，专门比较抽出来的表格结构和原件差多少，列错一格扣得比认错一个字狠得多。表格这一项的榜单上有个反常识的结果。

排第一的 PaddleOCR-VL-1.6，参数量只有九亿，得分 94.76。开源里做文档解析的 MinerU2.5-Pro 也只有十二亿参数，得分 93.42。Gemini 3 Flash 得 89.29，GPT-5.2 得 82.95，都排在它们后面。开源里另一个常见的 Marker 只有 65.77，比所有商用接口都低一大截。

还有个小细节，Gemini 3 Flash 的表格分比 Gemini 3 Pro 还高一点。贵的那个不保证更准。

差距出在训练目标上。那批小模型是专门练把页面变回结构的，表格进去，出来的是带行列的 HTML。对话模型读 PDF 是在看图说话，表格画得越密，猜的成分越大。还有一个大模型最吃亏的场景，表格一跨页，上下两半各成一张，读图的模型拼不回去，专用工具反而会自动接上。

就算全塞进去了，事情也没完。

Adobe Research 做过一个叫 NoLiMa 的测试，把问题和答案之间的关键词重合去掉，模型只能靠理解，没法靠搜关键词。十三个宣称支持长上下文的模型，大部分在上下文涨到三万二 token 的时候，成绩掉到短文本的一半以下。三万二，连它们自己宣传的窗口都不到十分之一。

斯坦福那篇 Lost in the middle 画的曲线是 U 形，模型对开头和结尾记得牢，中间那一段注意力明显往下掉。两百页的文件，你问的那个数要是正好在第一百页附近，它就坐在谷底。

这两条加在一起是一个提醒，窗口数字说的是能塞多少，塞进去之后用不用得上是另一回事。一百页的东西分五次喂，比一次全塞稳。

现在的做法很朴素，传之前先问一句，这份文件里最要紧的信息长什么样。

纯文字的页，提了文本再给。扫描页和图表页，直接传文件，让模型看图。表格多的，先过解析工具。MinerU 是开源里省心的一个，两条后端，pipeline 纯 CPU 就能跑，带 GPU 的机器走 vlm 后端，表格和公式转成结构化输出，跨页表格还会自动拼起来。

pip install -U "mineru[all]"

mineru -p report.pdf -o out/ -b pipeline

前置条件有两个。Windows 上 ray 不支持 Python 3.13，装 3.10 到 3.12。pipeline 后端不要 GPU，速度慢一些，显存够八 GB 的卡可以把 -b pipeline 去掉，让它走 vlm。跑完 out 目录里是 Markdown 和按阅读顺序排的 JSON，表格是 HTML。喂模型用 Markdown，核对结构看 HTML。

那份 JSON 值得单独说一句。每个区块都标了类型和页码，文字、表格、公式、图片各是各的，处理长文件的时候，想按页投喂、想先把所有表格拎出来看一遍，都靠它，不用自己再写识别逻辑。

最后一步谁也躲不掉。抽五页，把抽出来的字和原页对着看一遍，再挑两三个关键数字回原文搜。表格多看一眼行列数，错行的表格往往先在列数上露馅，抽出来的表格在浏览器里打开，列头一行齐不齐，扫一眼就知道。

两百页这个需求，最值钱的投入在解析这一层，不在最后那个窗口更大的模型上。窗口大小是厂商之间的竞赛，你的问题往往就十几个字。

喂进去的东西干不干净，比窗口大多少更决定答案对不对。下次拖文件之前，先花一分钟看看它有没有文字层，表格值不值得过一遍解析工具，这一分钟省下来的，是之后来回核对的一下午。

如果你觉得今天这篇有收获，欢迎点赞、在看、转发三连，我们下篇见

THANKS FOR READING