一篇读懂文档解析：RAG 的质量，卡在切块之前

向量库换了、Reranker 加了、查询改写也调了，RAG 的答案还是错——大多数人这时候会去动切块参数。但真正的病灶往往在更上游：PDF 进系统的第一步，解析就已经把内容读坏了。文档解析（Document Parsing）是整条 RAG 链路里最容易被轻视的一环，却是 2026 年迭代最凶猛的一环：0.9B 参数级的专用小模型在公开基准上打赢了通用大模型，ThoughtWorks 把「VLM 端到端文档解析」列入了技术雷达。本文把「切块之前」这一公里讲透：解析难在哪、两代技术路线怎么分、工具怎么选、质量怎么评、落地怎么避坑。

一、为什么「读出文字」不等于「解析好」

先建立一个反直觉的认知：PDF 不是文档，是一套打印指令。它存的是「在坐标 (x, y) 处用某字体画这个字符」，而不是「这是一个段落」「这是表格第二列」。人类靠版面直觉把墨迹还原成结构，程序面对的却只是一堆带坐标的字符流——所有解析难题都从这里开始。

四个典型的深坑：

• 阅读顺序。双栏论文、跨页表格、侧边批注，按坐标排序就会把左右两栏串成一行「横读」的乱码。人眼看的是版面，程序看到的只有位置。
• 表格。单元格之间的行列关系靠视觉对齐维持，抽成纯文本就是一串失去结构的字符碎片。而表格往往是文档里信息密度最高的部分——财务数据、实验结果、参数对比全在表里。
• 公式。行内公式被拆成孤立的符号碎片，学术与工程文档的硬伤。
• 扫描件。图片型 PDF 根本没有文本层，必须走 OCR；老旧扫描件至今是所有模型的重灾区——DeepSeek-OCR 在 OlmOCR-Bench 的老旧扫描件分项上只有 33.3 分（满分 100，截至 2026-10 的官方模型卡数据）。

这些坑在 RAG 下游各有具体死法：串栏的文本切块后语义断裂，向量里存的是无意义字符流；表格碎片检索召回后，模型看到的是残缺的行列；页码元数据丢失，答案无法溯源引用。

还有一类坑不来自「识别错」，而来自「没洗掉」：页眉、页脚、水印、目录页被原样解析保留，切块之后变成一批高度相似的垃圾块，检索时白白挤占召回名额。清洗与识别同样属于解析，这一步省掉的工时，后面全都会以「检索质量莫名变差」的形式还回来。一句话：解析质量是整条检索链路的上限，下游所有优化都在这个上限之下工作。

二、两代技术路线：管道式与 VLM 直出式

把 2026 年的解析方案排开，本质上只有两代路线。

管道式（pipeline）：版面检测模型先找出标题、段落、表格、图片区域，OCR 引擎逐区域识别文字，再用规则把结果拼装成 Markdown。MinerU、Docling、Marker 都属于这一代，各自组合了自家训练的版面模型与识别模型。优点是每一步可解释、可替换、输出确定——版面错了可以单独换版面模型；缺点是误差级联（上一步错，步步错），工程栈重。

VLM 直出式（端到端）：把页面渲染成一张图，一个视觉语言模型直接输出结构化文本。dots.ocr 的论文把这个思路推到极致——版面检测、内容识别、结构还原三个任务统一进同一个 VLM，省掉的正是管道式里最容易级联出错的模块接口。GLM-OCR、PaddleOCR-VL、DeepSeek-OCR、olmOCR 也都属于这一代。优点是阅读顺序天然正确（模型直接「看懂」版面）、架构极简；缺点是生成式意味着可能幻觉，错了不知道错在哪个环节。

业界的采纳建议可以引用 ThoughtWorks 2026 年 4 月技术雷达的定位：VLM 端到端文档解析处于「评估（Assess）」阶段——olmOCR-2、DeepSeek-OCR（3B）、超轻量的 PaddleOCR-VL 等开源专用模型已能替代复杂的遗留管道、大幅降低维护成本，但生成式特性带来幻觉风险，低容错场景仍需混合方案或确定性 OCR。

还有第三个视角值得单独说：DeepSeek-OCR 的论文（arXiv:2510.18234）提出「上下文光学压缩」——论文报告约 10 倍压缩下解码精度约 97%，即用几百个视觉 token 承载上千个文本 token。它把 OCR 从「识别任务」重新定义为「压缩任务」，暗示文档图像可能是长上下文的一种存储形态。这个再定义影响的不只是解析：它让「把文本渲染成图喂给模型」从绕远路变成了正经路线。

三、2026 年的工具版图：一张表看清怎么选

三组玩家，各有地盘（star 数与分数截至 2026-10）：

三条关键洞察：

第一，专用小模型打赢通用大模型。据 Roboflow 对开源模型的评述，PaddleOCR-VL、GLM-OCR、MinerU 以 0.9B 量级的参数在 OmniDocBench 上超过了两百多 B 参数的通用视觉大模型——文档解析是个「窄而深」的任务，领域专精比参数规模值钱。

第二，许可证要逐个读。MinerU 的许可是「基于 Apache 2.0 加附加条件」，DeepSeek-OCR 是 MIT，商用集成前值得逐个确认，别等法务找上门。

第三，选型共识只有两条（多家横评一致）：看你文档里扫描件占比（决定 OCR 权重），看你最有价值的数据是不是表格（决定表格能力权重）。且必须用自己的文档实测——各家工具在不同 PDF 类型上的排名会整体翻转，公开榜单只能当初筛。

四、怎么衡量「解析好了」

聊质量必须有基准。行业默认是 OmniDocBench（CVPR 2025，OpenDataLab 出品）：1355 页真实文档、9 种类型，支持端到端与分项评测（版面、文本、表格、公式），指标包括归一化编辑距离、表格 TEDS、公式 CDM。

但它已经饱和了。LlamaIndex 的分析给出三个数字：GLM-OCR 94.6%、PaddleOCR-VL-1.5 超过 94%、Gemini 3 Pro 90.3%——继续刷分只会变成边缘案例修复。更重要的是方法论批评：基准集太小且偏学术论文，金融演示文稿、法律文件、保险表单这些真实复杂场景缺席；指标只认单一「标准答案」，输出 HTML 而非 Markdown、合理地拆分或合并表格都会被扣分——LlamaParse 就有被指标误伤的具体案例（同一质量输出因格式差异得到 0.63 与 0.56 两个悬殊分数）。结论一句话：在 Agent 时代，语义正确比格式精确匹配更重要。替代基准如 OlmOCR-Bench、OCRBench v2 正在补位。

给实践者的建议：公开基准只当初筛，真正该建的是自己文档的小评测集，加上下游 RAG 的端到端回归——解析改动的价值，最终要用检索召回率与答案忠实度来衡量。解析器升级应该被当作一次需要回归测试的变更，而不是换个 pip 包完事。

五、落地清单：八条实践

1. 先分层路由，再上重炮。数字原生 PDF 直接抽文本层，快且零幻觉；扫描件才走完整解析。MinerU 4.0 的四档解析（flash / basic / standard / advanced）本质就是这个思路的工程化。
2. 输出结构化 Markdown / JSON。标题层级、表格 HTML、公式 LaTeX 都要保住——纯文本输出等于扔掉切块策略最需要的结构信号。
3. 表格单独处理。保留 HTML 或行列序列化，大表补一句自然语言摘要，否则检索根本召不回正确的表。
4. 元数据与定位符一路携带。页码、章节路径跟到每个切块；MinerU 4.0 给 Agent 提供稳定引用定位符（文档 / 层级 / 页 / 块四级），答案可溯源靠的就是它。
5. 低置信页降级与抽检。置信度低的页面换引擎重试或转人工；商用方案 Reducto 的 agentic 审查层，本质就是「识别完再自查一遍」的开源思想商业版。
6. 给 VLM 路线加幻觉防线。关键数字与原文抽查对照；财务、法务等高风险文档用双引擎交叉验证，或退回确定性 OCR。
7. 回归评测资产化。解析器版本升级 = 一次系统变更，用第四节的评测集跑回归，分数掉了就回滚。
8. 永远保留原始文件。解析永远可以重放——模型明年会更强，你的 PDF 不会变。今天不满意的解析结果，留好原件就是留给未来的升级空间。

结语

管道式没死，VLM 直出正猛，基准在重建——这是 2026 年文档解析的三个关键词。RAG 系统的竞争力越来越取决于最不起眼的第一步：把一份脏 PDF 变成干净、带结构、可溯源的文本。下一次 RAG 答案不对，先别调切块参数，回头看看第一公里。

参考资料

• OmniDocBench: Benchmarking Diverse PDF Document Parsing（CVPR 2025）——文档解析评测基准的原始定义
• opendatalab/MinerU（GitHub）——管道 + VLM 双引擎开源解析器
• DeepSeek-OCR: Contexts Optical Compression（arXiv:2510.18234）——OCR 即压缩的再定义
• OmniDocBench is Saturated, What's Next for OCR Benchmarks（LlamaIndex）——基准饱和与方法论批评
• Vision language models for end-to-end document parsing（ThoughtWorks Radar）——业界对 VLM 路线的采纳建议
• dots.ocr: Multilingual Document Layout Parsing in a Single VLM（arXiv）——单模型统一版面与识别
• Best PDF Parsers for AI and RAG Workflows in 2026（Firecrawl）——2026 年工具横评