文档解析产品变多了，好用的标准是什么？

最近，文档解析赛道颇为火热，产品更新迭代频繁，与各类大模型上下游一样发展势头很劲。各个开发者社区里，大家也对各个产品的实测解析能力十分关注。

文档智能交互是企业、学术、个人工作中必不可少的一环，作为大模型应用的典型场景之一，它对准确、高效的文档解析工具有着长期需求。而解析工具在应用中的表现，则对RAG、知识库开发有着至关重要的影响，也因此受到开发者们的关心。

从产品评论区到各个社群，根据使用者反馈，我们亦可管窥当前最关键的、应得到满足的需求。

首先，文件大小。

就PDF文件而言，10M左右的文件属于常规情况，带图文件或长篇扫描档PDF大小往往能达到几十甚至几百M，目前市面上很多接口难以满足用户需求。在通过大模型实现文档问答时，我们也会面对类似情况。当前大模型对我们可上传的文件大小也有一定限制，主流大模型To C问答产品的最大文件一般支持100-150M。

其次，双栏、多栏等复杂版面。

要将文档还原为人类与大模型都能阅读的正确顺序，OCR不是唯一的难点。在实际场景中，我们会遇到多栏、跨页等情况，又或是多栏文字+嵌入其中的跨栏图表。

现在，简单的文档解析工作，很多开发者都能通过开源的PDF解析+OCR模型来完成，对闭源解析工具需求并不算高。需要闭源工具的场景集中在高难度的长尾case，例如页眉页脚、复杂图表、手写字符、公式等。

做过相关工作的开发者都知道，60-90分的研发难度远远高于0-60分的阶段，在这其中需要消耗大量的精力与时间，仍然难以低成本地实现良好效果。而一个产品要能够落地应用，必须具备80-90分的表现。

不论是企业级知识库问答应用，还是为大模型训练提供高质量的结构化数据，这些长尾难点都是无法绕开的问题。同时，上述场景的庞大数据量要求又对解析工具的效率、工程稳定性提出了较高的要求。

因此，我们在TextIn文档解析工具的研发、迭代过程中，以充分满足实用需求为标准，使产品具有以下特点：

▪ 超高速度：100页PDF最快1.5s解析完，而同等页数下，常规工具或大模型解析一般按分钟计算

▪ 支持超大文件：目前同步接口文件最大可达500MB，未来将进一步提高

▪ 支持超长文件：目前支持最长1000页，开发计划已将目标定在5000页