2026年开源PDF转JSON指南：结构化提取与文档解析模型对比

一句话看懂

开源PDF转JSON模型在2026年成熟，分为schema驱动提取（如Datalab lift）和文档解析（如IBM Docling）两类，本地运行可降低成本并保护数据隐私。

详细发生了什么

企业数据仍大量困在PDF、扫描件和幻灯片中，大语言模型和智能体需要结构化JSON才能使用。开源文档提取已成为在自有硬件上完成转换的标准方式。“PDF转JSON”实际包含两个不同问题：一是schema驱动提取——你定义字段，模型填充值，适用于发票、合同等已知结构的文档；二是文档解析——模型将页面重建为结构化JSON或Markdown，用于准备RAG和智能体的语料。

主要模型包括：

Datalab lift：9B视觉模型，schema驱动提取，字段准确率90.2%，延迟9.5秒，Apache-2.0代码，权重需商业许可。
NuMind NuExtract 3：4B模型，同时支持结构化提取和内容提取，基于Qwen，通过vLLM服务。
IBM Docling：文档解析框架，支持多种格式，输出Markdown/JSON/HTML，MIT许可，配套258M模型Granite-Docling。
OpenDataLab MinerU：处理复杂布局，支持跨页表格，新许可降低商用门槛。
Datalab Marker：文档转Markdown/JSON，GPL-3.0代码，权重许可限制初创公司收入低于$2M。
Ai2 olmOCR 2：7B OCR模型，在olmOCR-Bench得分82.4，每百万页成本约$178，Apache-2.0。
DeepSeek-OCR：采用上下文光学压缩，支持100+语言，MIT许可，后续有OCR2版本。
Qwen3-VL：通用多模态模型，可作为备选，但需更多提示工程。

中文圈视角

对中文用户而言，这些开源模型有直接价值：

数据隐私与合规：国内企业处理合同、发票等敏感文档时，本地部署可避免数据出境风险。DeepSeek-OCR和Qwen3-VL来自中国团队，合规性更友好。
中文支持：DeepSeek-OCR明确支持100+语言，中文识别可靠；IBM Docling和MinerU也经过多语言测试。但olmOCR 2目前仅专注英文，中文用户需谨慎。
国产替代对比：DeepSeek-OCR（MIT许可）和Qwen3-VL（Apache-2.0）在许可上最宽松，适合商业集成。Datalab lift和Marker的许可对初创公司有限制，国内使用需注意营收门槛。
场景落地：财务报销单提取可用lift或NuExtract 3；学术论文解析可用MinerU或Marker；RAG语料准备推荐Docling或olmOCR 2。
盲点：中文圈较少讨论schema驱动提取与文档解析的区分，多数团队混用导致效果不佳。建议先明确需求再选模型。

几条值得记住的细节

Datalab lift字段准确率90.2%，但整文档准确率仅20.9%，说明全字段正确仍困难。
DeepSeek-OCR采用上下文光学压缩，处理长文档时token消耗远低于典型视觉语言模型。
IBM Granite-Docling-258M在A100上平均每页0.35秒，适合批量处理。
MinerU从AGPL-3.0改为自定义许可，商用部署更友好。
olmOCR 2每百万页成本约$178，远低于专有API的数千美元。

一句话总结

选对模型类别（schema提取或文档解析），本地部署开源方案，能安全高效地把PDF数据喂给AI应用。