文档解析终于有标准答案了，ParseBench 把 90+ 解析器按在地上摩擦
body { font-family: -apple-system, BlinkMacSystemFont, “Segoe UI”, Roboto, “Helvetica Neue”, Arial, sans-serif; max-width: 860px; margin: 0 auto; padding: 2rem; line-height: 1.8; color: #222; }
h2 { font-size: 1.6rem; margin-top: 2rem; border-bottom: 2px solid #eee; padding-bottom: 0.4rem; }
h3 { font-size: 1.3rem; margin-top: 1.6rem; color: #333; }
h4 { font-size: 1.1rem; margin-top: 1.2rem; color: #444; }
p { margin: 0.8rem 0; }
ul, ol { margin: 0.6rem 0; padding-left: 1.6rem; }
li { margin: 0.3rem 0; }
pre { background: #f6f8fa; padding: 1rem; overflow-x: auto; border-radius: 6px; font-size: 0.9rem; }
code { background: #f6f8fa; padding: 0.15rem 0.35rem; border-radius: 4px; font-size: 0.9em; font-family: Menlo, Monaco, monospace; }
table { border-collapse: collapse; width: 100%; margin: 1rem 0; font-size: 0.95rem; }
td, th { border: 1px solid #ddd; padding: 0.5rem 0.75rem; text-align: left; }
tr:nth-child(even) { background: #fafafa; }
strong { color: #000; }
文档解析终于有标准答案了，ParseBench 把 90+ 解析器按在地上摩擦
导语
你的 RAG 管线读了几千页 PDF，结果回答问题时总是漏表格、搞错层级、把图表说明和正文混在一起？问题大概率不在模型，而在第一步：文档解析器已经把结构毁掉了。LlamaIndex 刚把 ParseBench CVPR 2026 的 benchmark 公开，我帮你把 90+ 解析器的真实表现拆开看，哪些该用、哪些该避坑、成本差多少，都在这里。
正文
问题：AI 读文档，第一步就已经输了
很多团队做 RAG 或 AI Agent 时，会把问题归到模型、索引、Prompt 上，但真实故障常常发生在最前面：PDF/Word/HTML 被解析成纯文本后，表格丢了、标题层级乱了、图表说明散到段落里、复选框选项和正文分家。
结果就是：模型拿到一段“看起来完整”的文字，其实关键信息已经塌陷了。这类失败很难在 benchmark 里暴露，因为传统文档解析评测大多只算“和参考答案的字面相似度”，不测“解析结果还能不能被 Agent 可靠地执行后续动作”。
这就是 ParseBench 想解决的事。它来自 LlamaIndex 的 run-llama 团队，论文编号 arxiv 2604.08538，已经被 CVPR 2026 接收。
方案：ParseBench 怎么测“可执行解析质量”
ParseBench 的评测思路很直接：不看你还原了多少字，而看你保留了多少“能让 Agent 继续干活”的结构。
数据集：约 2,000 个人工校验过的真实企业文档页面，覆盖保险、金融、政府三类场景。没有合成数据，都是生产环境里的 PDF。
5 个评测维度：
- Tables：表格结构、行列关系、单元格合并能不能保留
规模：公开评测了 90+ 条 pipeline，既有开源模型，也有闭源 API，覆盖商业服务、开源权重、VLM 解析器三类。
数据：谁赢了，谁在混
我把 leaderboard 前几名和成本一起列出来，方便你直接做选型：
| 排名 | 解析器 | 类别 | 综合得分 | Tables | Charts | 内容忠实度 | 语义格式 | 视觉定位 | 单页成本 |
| 1 | LlamaParse Agentic | 商业 API | 84.88 | 90.74 | 78.11 | 89.68 | 85.24 | 80.62 | 1.25¢ |
| 2 | LlamaParse Cost Effective | 商业 API | 76.77 | 81.42 | 70.15 | 90.92 | 68.78 | 72.59 | 0.38¢ |
| 3 | KDL-Frontier-Parser-nano | 开源 VLM | 76.36 | 85.56 | 63.41 | 87.19 | 66.81 | 78.84 | — |
| 4 | Google Gemini 3 Flash (Thinking High) | 闭源 VLM | 75.05 | 91.50 | 64.79 | 90.87 | 68.31 | 59.77 | 2.41¢ |
| 5 | Infinity-Parser2-Pro | 开源 VLM | 74.28 | 86.4 | 61.3 | 89.7 | 59.1 | 74.9 | — |
几个值得注意的点：
- LlamaParse 一骑绝尘。Agentic 模式综合 84.88，Cost Effective 模式 76.77，而且内容忠实度分别达到 89.68 和 90.92。换句话说，它不只是结构保留得好，连“没改意思”这件事也做得不错。
代码：怎么在你的 RAG 管线里接 ParseBench
如果你已经用 LlamaIndex 做 RAG，可以直接复用他们的评测框架：
# 克隆仓库
git clone https://github.com/run-llama/ParseBench.git
cd ParseBench
# 安装依赖
uv sync --extra runners
# 快速测试单个解析器
uv run parse-bench run llamaparse_agentic --test
# 全量跑分
uv run parse-bench run llamaparse_agentic
# 本地查看报告
uv run parse-bench serve llamaparse_agenticpipeline 概念就是“你要评测的解析器 + 配置组合”。仓库里已经内置 90+ pipeline，你也可以自己加。
如果你不用 LlamaIndex，ParseBench 也暴露了评测维度的 JSON schema，可以把 Table、Chart、Faithfulness、Formatting、Grounding 这 5 项分别打分，集成到你自己的质量门禁里。
结论：选解析器的判断标准
现在面对一堆 PDF 解析器，你可以用这套标准直接筛选：
- 表格多 → 先看 Tables 得分，低于 80 的直接排除，别省这个钱。
收尾
ParseBench 的意义不只是“给解析器排个名”，而是把文档解析这件事从“差不多能读”拉到“可量化、可验收”的标准上。如果你现在的 RAG 或 AI Agent 对 PDF/表格/图表有依赖，建议先跑一遍 ParseBench，看看你当前的解析器在哪个维度掉分，再决定要不要换。下一步可以做的是：把你业务里最常出现的 10 类文档扔进 benchmark，拿到真实分后再做选型。
评论区
登录后可评论。
