年开源PDF转JSON结构化提取模型指南

大部分企业数据，至今还锁在PDF、扫描件和PPT里。大语言模型和智能袋里要想用上这些数据，得先把它们转成结构化的JSON格式。开源文档提取方案，如今已经成为在自家硬件上完成这项转换的主流选择。

“PDF转JSON”这五个字，其实藏着两个完全不同的任务。第一个是基于schema的提取：你提前定义好字段，模型负责往里填值。第二个是文档解析：模型把页面内容重建为结构化的JSON或Markdown。多数团队需要其中一种，有的两者都需要。选错了方向，代价可不小。

在成本和隐私方面，开放权重模型的价值越来越凸显。专有API处理百万页文档可能要花掉数千美元，而且还得把文件发到外部服务器。本地模型则完美绕开了这两个限制。下面列出的模型和工具包，是根据它们实际能做什么来分组的，值得逐一评估。

一个短语，两种任务

Schema驱动的提取，接收一份文档和一个JSON schema，然后返回你需要的字段值。适用于发片、表单、合同和收据这类你提前知道字段的场景。

文档解析则是对文档本身进行重建。它检测布局、阅读顺序、表格、公式和代码，再导出JSON或Markdown。常用于为检索增强生成（RAG）和智能袋里准备干净的语料库。

第一类：Schema驱动的结构化提取

Datalab lift

lift是Datalab团队（也是Marker和Surya的开发者）推出的一个9B视觉模型。你传入一个JSON schema，它返回匹配的JSON数据。schema约束解码保证了输出是合法的JSON。模型基于Qwen 3.5，可以通过Hugging Face在本地运行，或者通过vLLM服务器远程使用。

它能单次处理多页文档，包括跨页的值。提供了命令行界面、Python API和一个用于构建和测试schema的Streamlit应用“Schema Studio”。

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.json Copy Code

from lift import extractresult = extract("document.pdf", "schema.json")if result.extraction is not None: data = result.extraction # 字典数据，匹配你的schema

在Datalab的225份文档基准测试中，lift的字段准确率达到90.2%，中位延迟9.5秒。在字段准确率上领先于NuExtract3（81.5%）和Qwen3.5-9B（76.3%）。但落后于Gemini Flash 3.5（91.3%）和Datalab托管的API（95.9%）。值得注意的细节是，所有本地模型的整份文档准确率都偏低，lift是20.9%。在一份文档中每个字段都提取正确，依然是个挑战。

代码采用Apache-2.0许可。权重使用修改后的OpenRAIL-M许可，免费用于研究、个人用途以及资金或收入低于500万美元的初创公司。商业自托管需要获得许可，且权重不能与Datalab API形成竞争关系。

NuMind NuExtract 3

NuExtract 3是NuMind推出的一个4B视觉语言模型。它将两个任务统一到一个模型中：结构化提取（文档到JSON）和内容提取（OCR到Markdown）。你提供输入和一个描述所需字段的JSON模板。该模型通过强化学习训练，增加了针对提取的推理能力，你可以按需开启或关闭。

NuExtract 3是多模态、多语言的，基于Qwen主干。它通过vLLM服务，提供兼容OpenAI的API，并且可以通过 pip install numind 获取Python SDK。NuMind将其定位为此规模下，在结构化提取和内容提取方面都值得参考的开源模型。商业使用前请务必查看模型卡的许可条款。

第二类：文档解析为结构化JSON和Markdown

IBM Docling

Docling最初来自IBM研究院，现在由LF AI & Data基金会托管。它可以解析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表示方式，它能保留布局、阅读顺序、表格和LaTeX格式的公式。

Docling可以在本地运行，适用于气隙环境。它与LangChain、LlamaIndex、Crew AI和Haystack集成，并提供了MCP服务器和Docling Serve模式。该项目采用宽松的MIT许可。IBM也通过watsonx提供托管版本。

IBM Granite-Docling-258M

Granite-Docling-258M是IBM推出的一个紧凑型258M视觉语言模型。它在Docling管道中执行一次性的文档转换。尽管体积小，但它能处理OCR、布局、表格、代码和方程式，并输出DocTags。在A100 GPU上，平均每页处理时间约为0.35秒。

该模型基于Idefics3架构，配备SigLIP2编码器和Granite 165M语言主干。基于Apache 2.0许可发布。IBM强调它是为文档转换而构建的，并非通用的图像理解模型。

OpenDataLab MinerU

MinerU，来自OpenDataLab和上海人工智能实验室，可将PDF、图片、DOCX、PPTX和XLSX输入转换为Markdown和JSON。它将处理管道与视觉语言模型相结合。目前的模型MinerU2.5-Pro，专注于高分辨率解析复杂布局，包括跨页表格和图表。

MinerU最近更改了许可。从AGPL-3.0迁移到了“MinerU开源许可”，这是一个基于Apache 2.0并附加条件的自定义许可。这一变化降低了商业部署的门槛。

Datalab Marker

Marker是Datalab的文档转换管道，支持PDF、图片、PPTX、DOCX、XLSX、HTML和EPUB等格式。它能格式化表格、表单、方程式、行内数学公式、链接和代码。可选的 --use_llm 标志会调用一个语言模型来改进表格和表单的提取效果。

在第三方olmOCR-Bench测试套件中，Marker得分约76.1。其代码采用GPL-3.0许可，模型权重使用修改后的AI Pubs OpenRAIL-M许可。该权重许可免费用于研究、个人用途以及资金或收入低于200万美元的初创公司。Datalab的托管平台现在运行着一个更新的OCR模型Chandra，它基于Apache-2.0许可，输出HTML、Markdown和JSON。

Ai2 olmOCR 2

olmOCR 2是艾伦人工智能研究所（Ai2）推出的一个7B、专精OCR的视觉语言模型。它能把PDF转换成干净的文本和Markdown，同时保留阅读顺序。它能处理表格、方程式和手写内容，即使在复杂的多栏布局下也表现良好。该模型通过基于可验证奖励的强化学习进行训练，使用合成单元测试作为奖励信号。

olmOCR 2在自己发布的olmOCR-Bench上得分82.4，是该测试套件中已公布的最高成绩之一。Ai2预估在自有GPU上处理每百万页文档的成本约为178美元。该工具包和 allenai/olmOCR-2-7B-1025 权重都是Apache-2.0许可。当前模型主要针对英语。

DeepSeek DeepSeek-OCR

DeepSeek-OCR是DeepSeek于2025年10月发布的一个开源OCR模型。它引入了“上下文光学压缩”技术，将文本密集的页面表示为紧凑的视觉Token，然后再解码回文本。这使得它可以用比典型视觉语言模型少得多的Token来处理长文档。

它使用DeepEncoder加上一个3B的混合专家（MoE）解码器，每个Token仅激活约570M参数。根据提示的不同，它可以输出纯文本、Markdown、HTML表格或结构化的JSON，并支持100多种语言。代码采用MIT许可发布。后续的改进版本DeepSeek-OCR2于2026年1月推出。

通用之选：Qwen3-VL

来自阿里巴巴的Qwen3-VL并非文档专用模型，它是一个通用的多模态系列，很多提取模型都拿它当底座。你可以通过提示让它返回页面的Markdown、JSON或代码。大多数尺寸的模型都采用Apache 2.0许可。当专用模型不适用时，它是一个灵活的备选方案，当然，这需要更多的提示工程，而且输出质量的保障相对弱一些。

选项对比

关于基准测试：这些数字来自不同的测试套件，不能直接拿来横向对比。lift的90.2%是字段准确率，基于Datalab的schema提取基准。olmOCR 2（82.4）和Marker（76.1）的olmOCR-Bench分数，测的是内容提取，依靠的是单元测试评分。在选择之前，最好用自己的文档跑一遍每个候选方案。

关键要点

• Schema驱动的提取（字段到值）和文档解析（布局到JSON）是两件完全不同的事。
• lift和NuExtract 3瞄准的是schema驱动的JSON输出；其余的都是面向文档解析的。
• Docling、MinerU、Marker、olmOCR 2和DeepSeek-OCR都能把文档解析为结构化的Markdown或JSON。
• 许可协议差异很大；MinerU在2026年脱离了AGPL-3.0，而lift和Marker则将代码和模型权重许可分开管理。
• 已发布的基准测试来自不同体系，所以跨模型的分数只能作为参考，不能直接对比。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：年开源PDF转JSON结构化提取模型指南要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题