解析層：當結構要用模型推斷——而授權才是真正的選型軸

🌏 English version

三層階梯走到最後一層：檔案裡沒有可用的結構，甚至沒有文字。掃描的合約、拍照的發票、雙欄加公式的論文、巢狀儲存格的財報——這些只能靠模型從視覺訊號推斷。

這一層工具很多、benchmark 很吵，但我認為選型的第一順位不是準確度，是 LICENSE 檔案。理由下面會講清楚。

兩種取向

Pipeline 式把工作拆成多階段：版面偵測 → 區塊分類 → 閱讀順序 → 各區塊內容識別（OCR／表格結構／公式）。每階段可替換、可單獨除錯、可只跑其中幾段。MinerU、Marker、Docling 都屬於這一類。

端到端 VLM 直接把整頁圖片餵給視覺語言模型，讓它一次吐出 Markdown。olmOCR、dots.ocr、Chandra 走這條路。優點是不需要維護多階段管線、對怪異版面適應性好；缺點是難以局部除錯，而且會產生 pipeline 不會有的失敗模式——幻覺。站內的 DeepSeek-OCR 那篇拆過這條路線的極端版本。

實務上界線正在模糊：Marker 已經在管線裡嵌 VLM，MinerU 也提供 VLM backend。與其糾結分類，不如看兩件事——要不要 GPU、能不能只跑一部分。

開源陣營現況

星數、授權、最後推送皆為 2026-08-06 GitHub API 查詢值：

兩個 repo 已經搬家：Marker 從 VikParuchuri 移到 datalab-to，Docling 從 DS4SD 移到 docling-project。舊網址會轉址，但新專案該用新的。

授權：真正的分水嶺

這一層的技術差距在收斂，授權差距卻在擴大。GitHub 頁面上那個 license badge 會騙你，因為程式碼與模型權重可以是兩套授權。

MinerU 的 API 回傳 NOASSERTION，因為它用的是自訂的「MinerU Open Source License」。翻開 repo 裡的 LICENSE.md，條款寫得很清楚：

MinerU may be used for commercial purposes without a separate commercial license. However, if you and your Affiliates, on a consolidated basis, meet either of the following thresholds, you must obtain a separate commercial license from [MinerU Team] before continuing such use: a. monthly active users (MAU) exceed 100 million; or b. total monthly revenue exceeds USD 20 million.

門檻遠在天邊，對絕大多數團隊不構成問題。但第二條與第三條才是實際會踩到的：基於 MinerU 提供線上服務，必須在產品介面或公開文件的顯著位置標明使用了 MinerU；沒做到揭露義務、或超過門檻卻未取得授權，「本許可及本許可項下授予您的全部權利將自動終止，且許可方無須另行通知」。是自動終止，不是先寄警告信。

Marker / Surya（Datalab 出品）則是這一層最容易踩的坑，結構是 repo 裡有兩個檔案：LICENSE 是標準 Apache-2.0（管程式碼），MODEL_LICENSE 是改過的 AI Pubs OpenRAIL-M（管模型權重）。只看 GitHub 頁面上那個 Apache-2.0 badge，會完全錯過後者。

而門檻數字，Datalab 自己的兩份官方文件對不起來：

兩邊都是一手來源，數字差 2.5 倍，連程式碼授權寫的是 Apache 2.0 還是 GPL 都不一致。這不是我沒查清楚——是廠商自己的文件互相矛盾。

所以結論不是「去讀官方文件就好」，而是更謹慎的版本：如果你的營收落在 $2M 到 $5M 這個區間、或打算把 Marker/Surya 放進商業產品，這是要寄信問 Datalab 並留下書面回覆的事，不是讀網頁能解決的。低於 $2M 兩份文件都說免費，可以放心用。

Docling 是 MIT，模型授權各自獨立追蹤。對商業部署來說，這是清單裡最乾淨的一個——IBM Research 出品，這點不意外。

順帶提醒：上一篇講的 PyMuPDF 是 AGPL-3.0。整條 pipeline 裡只要有一個 AGPL 元件，SaaS 場景就得重新評估。

Benchmark 怎麼讀

現在最常被引用的是 olmOCR-bench。依 MarkTechPost 2026-07-24 對 Datalab 官方數據的整理，Marker v2 balanced 模式在 olmOCR-bench 拿 76.0%、吞吐 2.9 pg/s，Docling 為 50.3% / 2.1 pg/s；Marker 的 fast 模式加 --disable_ocr 可以純 CPU 跑到 23.7 pg/s。Surya 自己的 README 則宣稱 650M 參數、olmOCR-bench 83.3%（3B 參數以下最佳）、RTX 5090 上 5 pages/s。

看起來很清楚，但要打兩層折：

1. 這是 Datalab 自己的 benchmark，Marker 是他們的產品。 跟前面對 anydoc 與 ParseBench 用的是同一把尺——作者的產品拿第一，結構性偏誤存在。
2. 模式決定失敗形態，不只是分數高低。 同一份整理指出 fast 模式會改從 PDF 文字層讀公式，arXiv 數學類別因此從 83.9 掉到 23.4，而 --disable_ocr 在該類別直接是 0.0。Marker 的 README 也證實了機制——--disable_ocr 會「turn off all VLM calls (including equations) in either mode」，變成純文字層抽取。也就是說「快 8 倍」的代價不是均勻掉幾分，而是某一整類文件完全失效。

順帶一提，這也讓 Marker 的 fast 模式在架構上其實掉回了抽取層——關掉 VLM 之後它就是在讀文字層。這不是缺點，是印證了三層階梯的邏輯：便宜的路徑之所以便宜，就是因為它沒在做推斷。

這正是解析層 benchmark 最容易誤導的地方：總分接近的兩個工具，失敗的地方可能完全不同。你的語料如果全是掃描的舊文件，該看的是那個分類的分數，不是總分。

商業 API

LlamaParse、Azure Document Intelligence、Google Document AI、AWS Textract、Reducto 都在這一層，邏輯是付費買準確度與免維護。

依 ParseBench（arXiv 2604.08538）的 leaderboard，LlamaParse Agentic 總分 84.88、每頁約 1.25¢，領先 Azure Document Intelligence 的 73.8。但同樣的警告要再說一次：ParseBench 由 LlamaIndex 製作，榜首正是他們自家產品。

比較實際的判準是你的量體。每頁 1¢ 在一萬頁的專案是 $100，可以不用想；在一千萬頁的 ingestion 是 $100,000，那就該自己養 GPU。開源方案的成本是工程時間加硬體，商業 API 的成本是每頁單價——交叉點通常落在幾十萬頁的量級。

選型

1. 先讀 LICENSE，而且要讀兩個檔案（LICENSE 管程式碼、MODEL_LICENSE 管權重）。閉源 SaaS 且營收會成長 → Docling（MIT）最安全；MinerU 記得揭露義務；Marker/Surya 若營收落在 $2M–$5M 區間，先寄信問清楚再用。
2. 再看你的語料類型。學術 PDF（公式、雙欄）→ MinerU；一般商業文件要吞吐 → Marker；要結構化 JSON 而不只 Markdown → Docling；純中文場景 → PaddleOCR 生態最厚。
3. 量體決定自建或買。幾十萬頁以下先用商業 API 把產品做出來，成本可預測；超過再考慮自建。
4. 不要只跑總分。拿你自己語料裡最難的那 20 份跑一遍，看它們壞在哪。

整體來說

這一層是三層階梯裡最貴、最慢、最不確定的一層，所以最重要的決定其實是盡量少用它——抽取層能解的別送上來，轉換層能解的更不用說。

真的走到這裡時，順序是：LICENSE → 你的語料 → benchmark 的分類分數 → 自己跑一遍。把 benchmark 總分排名放在第一位，是這一層最常見的選型錯誤。

技術會繼續收斂，但授權條款不會自己變好。

參考資料

• opendatalab/MinerU — GitHub
• docling-project/docling — GitHub
• datalab-to/marker — GitHub
• datalab-to/surya — GitHub
• datalab-to/chandra — GitHub
• allenai/olmocr — GitHub
• rednote-hilab/dots.ocr — GitHub
• PaddlePaddle/PaddleOCR — GitHub
• MinerU Open Source License 原文（LICENSE.md）
• Datalab On-Prem 概覽（含免費層門檻說明）
• Datalab Marker v2 vs MinerU, Docling, LiteParse 授權與 benchmark 整理（MarkTechPost, 2026-07-24）
• ParseBench: A Document Parsing Benchmark for AI Agents（arXiv 2604.08538）
• run-llama/ParseBench — leaderboard
• 文件解析的三層階梯：轉換、抽取、解析
• 確定性抽取層：不用任何模型，先解決八成的 PDF
• DeepSeek-OCR：把長上下文壓成圖片的 10× 壓縮實驗