标签
Datalab's Marker v2 是一款开源文档解析工具，能够处理PDF、图像、DOCX和PPTX，输出干净的Markdown，并支持超过90种语言，适用于批量整理、知识库构建和AI文档处理。
对16个前沿视觉语言模型在文档解析方面的综合评估显示，Opus 5.5在性价比上表现最佳，尤其在表格解析方面，而GPT-6 Luna在成本效益解析方面表现良好。对于大规模使用，推荐使用LlamaParse等专用工具，但Opus 5.5在应用内解析方面领先。
对超过100个模型在文档解析方面的评估，涵盖前沿VLMs、开源权重VLMs、OCR工具和开源解析器，结果通过parsebench分享。
WeVisDoc是一款基于Qwen3-VL模型微调的端到端文档解析器，可将页面图像转换为包含LaTeX公式和HTML表格的结构化Markdown，在OmniDocBench v1.6等基准测试中实现了顶级性能。
WeVisDoc 是一个两阶段的以数据为中心的框架，用于稳健的端到端文档解析，通过扩展覆盖范围并使用针对性诊断来提升性能，在基准测试中取得了最先进的结果。
这篇文章强调了处理复杂真实文档的困难，并推荐LlamaParse作为一款使用多个AI代理进行高效、可扩展和多模态文档解析的工具。
LlamaParse 引入高投入置信度评分，以增强AI文档解析的准确性，实现敏感流程的人工审核和自动回退。
LlamaIndex已训练新的AI模型，用于解析来自任何尺寸和形状表单的复选框，将它们转换为结构化JSON，以便在保险和税务处理等应用程序中进行编程使用。
LlamaIndex 在过去三个月里显著改进了 LlamaParse。在 ParseBench 基准测试中，其在复杂表格、图表和 grounding 方面的准确率提升了 10%–20%，同时每页成本仍控制在 0.4 美分以下。
Jina-OCR-v1 是一款高效的端到端文档解析模型，通过结合推测解码与密集可验证奖励技术，可在低预算 GPU 上实现高精度与高处理速度，在 OmniDocBench v1.6 上得分 91.14，olmOCR-Bench 上得分 83.4。
官方的LlamaParse连接器已在Claude上推出，为复杂表格、表单和视觉元素提供增强的文档解析，具有高精度和规模化的成本效益。
Cohere推出了Parse，这是一种经济高效的视觉语言模型，用于处理大量企业文档并将其转化为结构化数据，为RAG和文档索引等用例提供高性能和可扩展性。
LlamaParse引入了原生的代理式电子表格提取功能，使用经过调优的模型和框架进行模式引导的提取，能够将资产负债表等密集表格转换为清晰的结构化字段。
Datalab发布了Marker v2，这是一个开源的文档解析管道，可以高效地将PDF、图像、DOCX和PPTX文件转换为markdown，支持超过90种语言，并在GPU上表现出高性能。
LlamaParse 已添加版本跟踪功能，以提取 Word 风格的修订跟踪和审阅者评论作为结构化元数据，使 AI 代理能够访问文档的完整修订历史记录，从而增强法律和金融等行业中的协作。
LlamaParse 现在处理文档中的修订跟踪，提供最终状态的干净 markdown 以及编辑、删除和评论的结构化数据，解决解析器误解修订跟踪的问题。
TeleOCR 是一个轻量级的开源视觉-语言模型，专为文档解析设计，统一处理数字文档和相机拍摄文档，并在基准测试中达到了最先进的性能。
NaviDC-OCR是一个统一的视觉-语言框架，通过变形感知学习和自适应采样提高文档解析准确性，在多个基准测试中达到了最先进的结果。
LlamaIndex 推出了新的 LlamaParse 功能，可自动将复杂表单字段提取为结构化 JSON，无需预定义模式，从而简化文档表单处理。
PaDoc 提出了一种面向端到端文档解析器的基于布局的并行解码方法，将布局解码与内容解码解耦，以减少解码深度并提高吞吐量。它在 OmniDocBenchFull 上取得了最先进的结果，并且相比顺序基线显著加速了推理。