结构化PDF到JSON：2026年开源提取模型指南

要点

• 开源文档提取分为模式驱动提取（根据预定义字段提取值）和文档解析（重建页面布局为JSON或Markdown）。
• 重点模型包括Datalab的lift（模式驱动，9B参数，字段准确率90.2%）、NuMind的NuExtract 3（4B参数，兼做OCR和提取）、IBM Docling（布局解析，MIT许可）等。
• 许可条款差异大：lift代码Apache-2.0但权重有额外限制，MinerU从AGPL-3.0改为定制许可，olmOCR 2完全Apache-2.0。
• 不同基准测试不可直接比较，建议在实际文档上评估各模型。