夜雨聆风一文厘清"PDF 转 JSON"的两大技术路线——模式驱动提取 vs 文档解析，并横向对比 2026 年最值得关注的 9 款开源模型与工具包。
前言
💡 绝大多数企业数据仍然躺在 PDF、扫描件和 PPT 里。在大语言模型和 AI 智能体能够使用这些数据之前，它们必须先变成结构化的 JSON。开源文档提取已经成为在自有硬件上完成这一转换的主流方式。
"PDF 转 JSON"这个短语下，其实藏着两个截然不同的问题：
- 模式驱动的提取（Schema-driven extraction）
：你定义好字段，模型帮你填值。 - 文档解析（Document parsing）
：模型将页面重建为结构化的 JSON 或 Markdown。
大多数团队需要其中一种，有时两种都需要。选错类别，会浪费大量时间。
🔐 开源权重在这里至关重要——原因有二：成本和隐私。专有 API 每百万页可能花费数千美元，而且需要把文档发到外部服务器。本地模型则消除了这两个限制。
下面，按它们实际能做什么来分类，逐一评估值得关注的模型和工具包。
两类任务，一个名字
模式驱动提取（Schema-Driven Extraction）
给模型一份文档和一个 JSON Schema，它返回你定义好的字段和值。适用于发票、表单、合同、收据等场景——你知道要提取哪些字段。
文档解析（Document Parsing）
重建文档本身。模型检测布局、阅读顺序、表格、公式和代码，然后输出 JSON 或 Markdown。适用于为 RAG 和智能体准备干净语料库的场景。
第一类：模式驱动的结构化提取
🏆 Datalab lift
lift 是 Datalab 推出的 9B 视觉模型，团队同时也是 Marker 和 Surya 的开发者。你传入一个 JSON Schema，lift 返回匹配的 JSON。Schema 约束解码（Schema-constrained decoding）保证输出是合法 JSON。 模型基于 Qwen 3.5 构建，可通过 Hugging Face 本地运行，或通过 vLLM 服务器远程调用。
它支持单次处理多页文档，包括跨页的字段值。提供 CLI、Python API 和 Streamlit 的「Schema Studio」用于构建和测试 Schema。
pip install lift-pdf# 启动 vLLM 服务器，然后按你的 Schema 提取lift_vllmlift_extract input.pdf ./output --schema schema.jsonfrom lift import extractresult = extract("document.pdf", "schema.json")if result.extraction is not None: data = result.extraction # 匹配你 Schema 的字典📊 在 Datalab 的 225 份文档基准测试中，lift 达到 90.2% 的字段准确率，中位延迟 9.5 秒。它领先于 NuExtract3（81.5%）和 Qwen3.5-9B（76.3%），但落后于 Gemini Flash 3.5（91.3%）和 Datalab 托管 API（95.9%）。值得注意的是，所有本地模型的全文档准确率都较低——lift 仅 20.9%。一份文档中所有字段都正确，依然很难。
📜 许可证：代码 Apache-2.0，权重使用修改版 OpenRAIL-M 许可，对研究、个人使用和融资/收入低于 500 万美元的初创公司免费。商业自托管需要许可，且权重不能与 Datalab API 竞争使用。
NuMind NuExtract 3
NuExtract 3 是 NuMind 推出的 4B 视觉语言模型。它将两个任务统一在一个模型中：结构化提取（文档 → JSON） 和内容提取（OCR → Markdown）。你提供输入和描述所需字段的 JSON 模板。模型通过强化学习训练，增加了提取专用的推理能力，可按请求开关。
NuExtract 3 是多模态、多语言的，基于 Qwen 骨干网络。通过 vLLM 提供 OpenAI 兼容 API，Python SDK 可通过 pip install numind 安装。NuMind 将其定位为同尺寸下结构化提取和内容提取的参考开源模型。商用前请查看模型卡的确切许可条款。
第二类：文档解析到结构化 JSON 和 Markdown
🔵 IBM Docling
Docling 始于 IBM Research，现由 LF AI & Data 基金会托管。它解析 PDF、DOCX、PPTX、XLSX、HTML、图片等多种格式。输出格式包括 Markdown、HTML、无损 JSON 和 DocTags。其核心是 DoclingDocument 表示，保留布局、阅读顺序、表格和 LaTeX 公式。
Docling 支持本地运行，适用于气隙环境（air-gapped）。它集成 LangChain、LlamaIndex、Crew AI 和 Haystack，并提供 MCP 服务器和 Docling Serve 模式。项目采用宽松的 MIT 许可。IBM 还通过 watsonx 提供托管版本。
🔵 IBM Granite-Docling-258M
Granite-Docling-258M 是 IBM 推出的紧凑型 258M 视觉语言模型，在 Docling 流水线中执行一次性文档转换。尽管体积小，它却能处理 OCR、布局、表格、代码和公式，输出 DocTags。在 A100 GPU 上，平均每页约 0.35 秒。
模型基于 Idefics3 架构，搭配 SigLIP2 编码器和 Granite 165M 语言骨干。Apache 2.0 许可发布。IBM 明确表示它是为文档转换而非通用图像理解构建的。
🟢 OpenDataLab MinerU
MinerU 来自 OpenDataLab 和上海人工智能实验室，将 PDF、图片、DOCX、PPTX 和 XLSX 输入转换为 Markdown 和 JSON。它将处理流水线与视觉语言模型配对。当前模型 MinerU2.5-Pro 针对复杂布局的高分辨率解析，包括跨页表格和图表。
⚠️ MinerU 最近变更了许可证，从 AGPL-3.0 转为「MinerU 开源许可证」——一个基于 Apache 2.0 的自定义许可，附加了额外条件。这一变更降低了商业部署的摩擦。
🟠 Datalab Marker
Marker 是 Datalab 的文档转换流水线，将文档转换为 Markdown、JSON、分块和 HTML。支持 PDF、图片、PPTX、DOCX、XLSX、HTML 和 EPUB。它能格式化表格、表单、公式、内联数学、链接和代码。可选 --use_llm 标志可添加语言模型来改善表格和表单处理。
在第三方 olmOCR-Bench 套件上，Marker 得分约 76.1。代码 GPL-3.0，模型权重使用修改版 AI Pubs OpenRAIL-M 许可。权重许可对研究、个人使用和融资/收入低于 200 万美元的初创公司免费。Datalab 的托管平台现已运行更新的 OCR 模型 Chandra（Apache-2.0，输出 HTML、Markdown 和 JSON）。
🟣 Ai2 olmOCR 2
olmOCR 2 是 Allen Institute for AI（Ai2）推出的 7B OCR 专用视觉语言模型。它将 PDF 转换为干净文本和 Markdown，同时保留阅读顺序。它能处理复杂多栏布局中的表格、公式和手写内容。模型通过可验证奖励的强化学习训练，使用合成单元测试作为奖励信号。
olmOCR 2 在自己的 olmOCR-Bench 上得分 82.4，是该套件上已发布结果中较高的。Ai2 估计在自己的 GPU 上每百万页成本约为 $178。工具包和 allenai/olmOCR-2-7B-1025 权重均为 Apache-2.0。当前模型聚焦英语。
🐋 DeepSeek DeepSeek-OCR
DeepSeek-OCR 是 DeepSeek 于 2025 年 10 月发布的开源 OCR 模型。它引入了**「上下文光学压缩」（Contexts Optical Compression）**技术，将文本密集的页面表示为紧凑的视觉 Token，然后解码回文本。这使得它处理长文档时所需的 Token 远少于典型的视觉语言模型。
它使用 DeepEncoder 加 3B 混合专家（MoE）解码器，每个 Token 激活约 570M 参数。根据提示词，可输出纯文本、Markdown、HTML 表格或结构化 JSON，支持 100+ 种语言。代码采用 MIT 许可。后续版本 DeepSeek-OCR2 已于 2026 年 1 月发布。
通用选项：Qwen3-VL
Qwen3-VL（阿里巴巴）不是文档专用模型，而是一个通用多模态系列，许多提取模型都以它为基础。你可以通过提示词让它从页面返回 Markdown、JSON 或代码。大多数尺寸以 Apache 2.0 发布。当专用模型不适用时，它是一个灵活的备用方案，但需要更多提示词工程，输出保证也更少。
横向对比
⚠️ 关于基准测试的重要说明：这些数字来自不同测试套件，无法直接横向比较。lift 的 90.2% 是 Datalab Schema 提取基准上的字段准确率。olmOCR-Bench 上 olmOCR 2（82.4）和 Marker（76.1）的分数衡量的是内容提取质量。在做决定之前，请用你自己的文档跑一遍每个候选模型。
笔者锐评
这篇文章的价值在于把"PDF 转 JSON"这个模糊需求拆成了两个本质不同的问题，国内很多团队一上来就找"最好的 PDF 解析工具"，结果发现 Schema 提取和文档解析根本不是一回事。
国内语境下，值得关注几个点：
MinerU 是唯一上榜的中国团队产品（上海人工智能实验室），而且近期从 AGPL 转向了更商业友好的许可，说明其在商业化上开始发力。但 MinerU 偏向文档解析，如果需要 Schema 驱动的结构化提取，它能做的有限。
DeepSeek-OCR 的技术路线很有特色——用 Token 压缩来降低长文档处理成本，3B MoE 激活仅 570M 参数，这在端侧部署场景下非常有想象空间。国内做 RAG 的团队应该重点关注。
国内 PDF 解析的痛点往往是中文排版、印章、表格线，这些英文模型在中文场景下的表现需要自己实测。不要迷信 Benchmark，拿你真实的业务文档跑一遍才是硬道理。
整体来看，Schema 提取的准确率天花板还很低（全文档准确率仅 20.9%），说明这个领域远未成熟，做发票、合同自动录入的团队要有心理预期。
求点赞 👍 求关注 ❤️ 求收藏 ⭐️你的支持是我更新的最大动力！
