我用6种文档类型对比了MinerU、Granite-Docling和PaddleOCR-VL的12项PDF解析能力

我通过自己的webapp发送了6份文档（每份代表一种不同的文档类型），并将每个输出与源文件进行了比较。它们都在同一块L4 GPU上运行。这些文档包括：带有合并多级表头的财务报表（典型的年度报告）、一篇双栏arXiv论文的两页（“Deep Residual Learning for Image Recognition”）、没有文本层的扫描版德语发票、带有嵌入式条形图的法语市政报告、混合了德语、法语、中文和俄语的典型数据手册页面，以及一篇2页3栏的通讯文章。需要注意的一点是，能力评分没有显示：Granite-Docling是唯一输出markdown原生管道表格和真实标题级别的模型（MinerU提供HTML表格，并把所有标题都提升为#级别），所以在干净的电子文档上，它的原始markdown读起来最舒服。MinerU默默读取了条形图并将数值以表格形式返回，还为嵌入式图像编写了自己的描述（标记为“生成”）。MinerU似乎从页脚中丢掉了发票的IBAN。但实际上模型确实转录了它，只是MinerU的markdown生成器会静默丢弃任何它归类为页面装饰（例如页脚、页码、小字等）的内容，而且没有任何选项或配置能真正改变这一行为。因此，我改用从其块列表重建markdown，并重新运行那一列，以进行公平比较。如果你使用原版MinerU的.md输出，很可能会缺少页脚。如果有人对这些模型处理其他文档类型的表现感兴趣，请告诉我，我很乐意进行对比。我是通过自己的服务（hexread.com）提供的API来运行这一基准测试的。你也可以直接在网站上测试PDF（有免费试用，但只能使用自动模型选择）。