我们打造了全球最精准的文档抽取系统。

Extract Max Effort 会投入动态 token，对数百页中的每一个视觉细节进行推理，从而确保你获得尽可能最高的准确率。

来看看下面这份厚重的测井报告。

它的准确率更高，成本却仍然低于开启最大思考模式的前沿 agent 框架（astra xhigh、opus 5.5 xhigh）。

点击查看：https://llamaindex.ai/blog/introducing-max-effort-for-extract-agentic-plus…

LlamaParse：https://cloud.llamaindex.ai

Extract V2.6：Max Effort

来源：https://www.llamaindex.ai/blog/introducing-max-effort-for-extract-agentic-plus 今天我们推出 max effort，这是 Extract agentic_plus 档位的一项新设置。它旨在提供我们最高质量的抽取效果，在你最关键、最复杂的文档上降低数据遗漏或出错的风险。Max effort 采用按实际所需计算量计费的动态计费方式。

作为我们面向许多企业客户入驻流程的一部分，我们会进行概念验证（PoC），在他们计划投入生产运行的数据集样本上评估各种 Extract 配置。这一过程的重要一环，是找出既能满足业务需求、又能控制在预算范围内的最优档位与 schema。在很多情况下，比抽取服务本身的价格更重要的，是遗漏或错误值所带来的代价。客户会问：“我们能否多付一些费用，以解锁更高的质量？”

随着 agentic_plus 支持 max effort，答案现在是肯定的。我们开发了若干方法，在一些最难处理的文档上显著提升了抽取效果。在 ExtractBench Pro 上，Value F1 从标准 Agentic Plus 的 77.7 提升到了 max effort 的 94.3。当启用 max effort 时，计费会根据抽取任务的复杂度和所需计算量而变化。这份额外的质量需要更多的计算，其成本可能高于标准的 agentic_plus 任务。

你可以在下图中看到，agentic_plus 配合 max effort 如何拓展了我们 ExtractBench Pro（https://www.llamaindex.ai/blog/introducing-extractbench-pro）成本与质量曲线的上限，为最困难的挑战提供了又一种选择。

浏览文档、schema 与答案集（https://huggingface.co/datasets/llamaindex/ExtractBenchPro）。

ExtractBench Pro · 100 份文档

Max effort 拓展了我们成本与质量曲线的上限

0204060801000.2¢0.5¢1¢2¢5¢10¢20¢50¢100¢每页成本（USD）Agentic PlusAgenticCost EffectiveCodex AstraClaude Code OpusClaude Code SonnetCodex SolCodex LunaExtendPulseReductoDatalabMax Effort

0204060801000.2¢1¢5¢20¢100¢每页成本（USD）Agentic PlusAgenticCost EffectiveAstraOpusSonnetSolLunaExtendPulseReductoDatalabMax Effort

• LlamaExtract
• 编码 agent
• 抽取 API
• 30 分钟限制
• 无此限制

工作原理

例如，在每页预算严格受限的情况下，一个会限制抽取质量的环节就是读取视觉图表。为了让模型能够读取 PDF 中的视觉内容，页面会被渲染成图片。为了保持标准 agentic_plus 定价的可预测性，我们在图像分辨率上做出的权衡对大多数文档都适用。但在以图表为主的专业文档上，关键数据可能变得过小或过于模糊而无法辨认。

有了 max effort，Extract 可以在需要时以更高分辨率检查相关区域，从而提取出关键信息。下面的可视化展示了这些额外的细节如何在一些视觉上最复杂的文档上发挥作用。

Max effort 的好处在于，它可以根据文档的需要采用更先进的抽取技术。标准档位同样会调整自己的工作量，但会把这种波动吸收在固定的每页价格之内。而对于 max effort，当额外的工作能带来大幅质量提升时，某些文档的费用会更高；而在标准方法已经足够的情况下，成本的增加可能微乎其微。

标准 Agentic Plus → Max effort

两种不同的成本与质量权衡

长而密集的页面 7 份文档 · 每份 1 个 PDF 页
质量大幅提升，成本更高
Value F1 0–100
标准 12.7
Max effort 95.0
每份文档计费成本
标准 $0.075
Max effort $4.19

自定义术语 14 份文档 · 每份约 43 页
质量相近，成本相近
Value F1 0–100
标准 98.6
Max effort 99.7
每份文档计费成本
标准 $3.25
Max effort $3.37

比较全部六个类别

如果你想试用带 max effort 的 agentic_plus，请按照以下指南操作。我们建议在迁移到 max effort 之前，先使用你现有的 schema 对有代表性的文档样本跑一遍。这样你就能对该配置的预期质量和成本有所了解。

何时使用 max

• 标准 agentic_plus 的质量达不到要求
• 你的文档非常复杂、内容密集
• 存在大量需要解读的视觉元素，如图表或示意图
• 抽取错误对你的业务代价高昂

Extract V2.6 · Beta

在你的文档上试用 max effort

使用 Agentic Plus，并将 effort 设为 max。先从小样本开始，以便对比质量和成本。

Python SDK

python -m pip install -U llama-cloud pydantic

这个 Python 示例会接收你的 API key 和一个本地 PDF。请把其中的示例 schema 替换成你自己的。

import os
import sys
from pathlib import Path
from llama_cloud import LlamaCloud
from pydantic import BaseModel

class Invoice(BaseModel):
    total_amount: float

client = LlamaCloud(
    api_key=os.environ["LLAMA_CLOUD_API_KEY"],
)
file = client.files.create(
    file=Path(sys.argv[1]),
    purpose="extract",
)
job = client.extract.run(
    file_input=file.id,
    configuration={
        "tier": "agentic_plus",
        "effort": "max",
        "version": "latest",
        "extraction_target": "per_doc",
        "data_schema": Invoice.model_json_schema(),
        "confidence_scores": True,
        "cite_sources": True,
    },
)
result = client.extract.get(
    job.id, expand=["extract_metadata"],
)
print(result.extract_result)
print(result.extract_metadata)

配置指南 设置你的文档、schema 和 API key。（在新标签页中打开） (https://developers.llamaindex.ai/llamaparse/extract/guides/configuring-extract/)

Jerry Liu (@jerryjliu0): 今天我们推出 Extract Max Effort——全球最顶尖的文档抽取前沿 agent 💫。

🚀 它绝对是一门重炮。当你必须在最复杂的文档和 schema 上做到 100% 完美抽取时，就用它。这包括进行推理……