Przegląd otwartych modeli do ekstrakcji danych z PDF do JSON w 2026 roku

Większość danych korporacyjnych, przechowywanych w plikach PDF, skanach czy prezentacjach, pozostaje niedostępna dla dużych modeli językowych i agentów AI, dopóki nie zostanie przekształcona w ustrukturyzowany format JSON. W 2026 roku otwarte modele do ekstrakcji dokumentów stały się standardowym rozwiązaniem, umożliwiającym tę konwersję na własnym sprzęcie, co eliminuje problemy z kosztami i prywatnością danych.

Pod pojęciem „PDF do JSON” kryją się dwa odrębne problemy. Pierwszym jest ekstrakcja sterowana schematem, gdzie użytkownik definiuje pola, a model wypełnia je wartościami. Drugim jest parsowanie dokumentów, podczas którego model rekonstruuje stronę w ustrukturyzowany format JSON lub Markdown. Zrozumienie różnicy między tymi podejściami jest kluczowe dla efektywnego wyboru narzędzia.

Dlaczego otwarte modele są kluczowe?

Wykorzystanie otwartych modeli jest istotne ze względu na koszty i prywatność. Zastrzeżone interfejsy API mogą generować wydatki rzędu tysięcy dolarów za milion stron i wymagają przesyłania dokumentów poza firmę. Modele lokalne eliminują te ograniczenia, umożliwiając przetwarzanie danych na własnych serwerach.

Ekstrakcja sterowana schematem jest idealna do dokumentów, w których pola są z góry znane, takich jak faktury, formularze, umowy czy paragony. Model przyjmuje dokument i schemat JSON, a następnie zwraca wartości dla zdefiniowanych pól.

Parsowanie dokumentów ma na celu rekonstrukcję samego dokumentu. Wykrywa układ, kolejność czytania, tabele, wzory i kod, a następnie eksportuje je do JSON lub Markdown. Jest to przydatne do przygotowywania czystych korpusów danych dla systemów RAG (Retrieval-Augmented Generation) i agentów AI.

Przegląd wiodących modeli i narzędzi

Rynek otwartych modeli do ekstrakcji danych z PDF jest dynamiczny i oferuje szereg zaawansowanych rozwiązań:

• lift – 9-miliardowy model wizyjny od Datalab, twórców Marker i Surya. Działa lokalnie przez Hugging Face lub zdalnie przez serwer vLLM. Gwarantuje poprawność wyjściowego JSON dzięki dekodowaniu ograniczonemu schematem. Na benchmarku Datalab osiąga 90,2% dokładności pól przy medianie opóźnienia 9,5 sekundy. Licencja Apache-2.0, z modyfikowaną licencją OpenRAIL-M dla wag modelu, która pozwala na bezpłatne użycie w badaniach, do celów osobistych i dla startupów o finansowaniu/przychodach poniżej 5 mln USD.
• NuExtract 3 – 4-miliardowy model wizyjno-językowy od NuMind. Łączy ekstrakcję strukturalną (dokument do JSON) i ekstrakcję treści (OCR do Markdown). Wykorzystuje wzmocnione uczenie, aby dodać rozumowanie specyficzne dla ekstrakcji. Jest multimodalny i wielojęzyczny, oparty na architekturze Qwen.
• Docling – projekt zapoczątkowany w IBM Research, obecnie hostowany przez LF AI & Data Foundation. Parsuje PDF, DOCX, PPTX, XLSX, HTML i obrazy, eksportując dane do Markdown, HTML, bezstratnego JSON i DocTags. Zachowuje układ, kolejność czytania, tabele i wzory jako LaTeX. Działa lokalnie i integruje się z popularnymi frameworkami AI, takimi jak LangChain i LlamaIndex. Posiada permisywną licencję MIT.
• Granite-Docling-258M – kompaktowy, 258-milionowy model wizyjno-językowy od IBM, przeznaczony do konwersji dokumentów w ramach potoków Docling. Pomimo niewielkiego rozmiaru, radzi sobie z OCR, układem, tabelami, kodem i równaniami, generując DocTags. Na GPU A100 przetwarza stronę w około 0,35 sekundy. Zbudowany na architekturze Idefics3, wydany na licencji Apache 2.0.
• MinerU – od OpenDataLab i Shanghai AI Laboratory. Konwertuje PDF, obrazy, DOCX, PPTX i XLSX do Markdown i JSON. Model MinerU2.5-Pro specjalizuje się w parsowaniu złożonych układów o wysokiej rozdzielczości, w tym tabel i wykresów obejmujących wiele stron. Licencja została zmieniona z AGPL-3.0 na niestandardową „MinerU Open Source License”, opartą na Apache 2.0 z dodatkowymi warunkami, co ułatwia komercyjne wdrożenia.
• Marker – potok Datalab do konwersji dokumentów do Markdown, JSON, fragmentów i HTML. Obsługuje wiele formatów plików i formatuje tabele, formularze, równania, matematykę w tekście, linki i kod. Na pakiecie olmOCR-Bench osiąga około 76,1 punktu. Kod jest na licencji GPL-3.0, a wagi modelu na zmodyfikowanej licencji AI Pubs OpenRAIL-M.
• olmOCR 2 – 7-miliardowy model wizyjno-językowy specjalizujący się w OCR od Allen Institute for AI (Ai2). Konwertuje PDF do czystego tekstu i Markdown, zachowując kolejność czytania. Radzi sobie z tabelami, równaniami i pismem ręcznym w złożonych układach wielokolumnowych. Na własnym benchmarku olmOCR-Bench osiąga 82,4 punktu. Szacowany koszt przetwarzania miliona stron na własnych GPU to około 178 USD. Model jest obecnie skoncentrowany na języku angielskim.
• DeepSeek-OCR – otwarty model OCR od DeepSeek, wydany w październiku 2025 roku. Wprowadza „optyczną kompresję kontekstów”, która reprezentuje strony bogate w tekst jako kompaktowe tokeny wizyjne, a następnie dekoduje je z powrotem do tekstu. Dzięki temu przetwarza długie dokumenty z mniejszą liczbą tokenów. Obsługuje ponad 100 języków i może generować tekst, Markdown, tabele HTML lub ustrukturyzowany JSON. Kod jest na licencji MIT. W styczniu 2026 roku pojawiła się jego kontynuacja, DeepSeek-OCR2.
• Qwen3-VL – od Alibaba, choć nie jest modelem specyficznym dla dokumentów, stanowi elastyczną bazę dla wielu modeli ekstrakcyjnych. Może być używany do generowania Markdown, JSON lub kodu ze strony. Większość rozmiarów jest dostępna na licencji Apache 2.0.

Należy pamiętać, że wyniki benchmarków pochodzą z różnych zestawów danych i nie są bezpośrednio porównywalne. Na przykład 90,2% dokładności lift dotyczy ekstrakcji schematów na benchmarku Datalab, podczas gdy wyniki olmOCR-Bench dla olmOCR 2 (82,4) i Marker (76,1) mierzą ekstrakcję treści z oceną testów jednostkowych. Przed podjęciem decyzji zaleca się przetestowanie każdego kandydata na własnych dokumentach.

Rozwój otwartych modeli do konwersji PDF do JSON w 2026 roku stanowi znaczący krok w demokratyzacji dostępu do ustrukturyzowanych danych. Firmy i deweloperzy mają teraz do dyspozycji potężne narzędzia, które pozwalają na efektywne przetwarzanie informacji, obniżanie kosztów operacyjnych i zwiększanie bezpieczeństwa danych poprzez lokalne przetwarzanie. Ta ewolucja otwiera nowe możliwości dla innowacji w dziedzinie sztucznej inteligencji i analityki danych, umożliwiając lepsze wykorzystanie zasobów informacyjnych przedsiębiorstw.

Źródło: marktechpost.com