La mayoría de los datos empresariales todavía se encuentran en archivos PDF, escaneos y presentaciones de diapositivas. Los agentes y modelos de lenguajes grandes no pueden usar esos datos hasta que se conviertan en JSON estructurado. La extracción de documentos de código abierto se ha convertido en la forma estándar de realizar esa conversión en su propio hardware.
Dos problemas diferentes se esconden bajo la frase “PDF a JSON”. La primera es la extracción basada en esquemas: usted define campos y un modelo los llena con valores. El segundo es el análisis de documentos: un modelo reconstruye la página en JSON estructurado o Markdown. La mayoría de los equipos necesitan uno, a veces ambos. Elegir la categoría incorrecta cuesta tiempo real.
Los pesos abiertos son importantes aquí por el costo y la privacidad. Las API propietarias pueden costar miles de dólares por millón de páginas y requieren el envío de documentos fuera de las instalaciones. Los modelos locales eliminan ambas limitaciones. A continuación se muestran los modelos y conjuntos de herramientas que vale la pena evaluar, agrupados según lo que realmente hacen.
Dos categorías, una frase
La extracción basada en esquemas toma un documento y un esquema JSON y luego devuelve valores para sus campos. Úselo para facturas, formularios, contratos y recibos, donde conoce los campos de antemano.
El análisis de documentos reconstruye el documento en sí. Detecta diseño, orden de lectura, tablas, fórmulas y código, luego exporta JSON o Markdown. Úselo para preparar corpus limpios para agentes y generación aumentada de recuperación (RAG).
ascensor de laboratorio de datos
lift es un modelo de visión 9B de Datalab, el equipo detrás de Marker y Surya. Pasa un esquema JSON y levanta devuelve el JSON que coincide. La decodificación restringida por esquema garantiza que la salida sea JSON válida. El modelo está construido sobre Qwen 3.5 y se ejecuta localmente a través de Hugging Face o de forma remota a través de un servidor vLLM.
Maneja documentos de varias páginas en una sola pasada, incluidos valores que abarcan páginas. Incluye una CLI, una API de Python y un ‘Schema Studio’ Streamlit para crear y probar esquemas.
from lift importar extraer resultado = extraer(“document.pdf”, “schema.json”) si result.extraction no es Ninguno: datos = result.extraction # dict que coincide con su esquema
En la prueba comparativa de 225 documentos de Datalab, la elevación alcanza una precisión de campo del 90,2 % con una latencia media de 9,5 s. Lidera a NuExtract3 (81,5%) y Qwen3.5-9B (76,3%) en precisión de campo. Está detrás de Gemini Flash 3.5 (91,3%) y la API Datalab alojada (95,9%). Tenga en cuenta que la precisión del documento completo sigue siendo baja para todos los modelos locales, con un aumento del 20,9 %. Conseguir que todos los campos sean correctos en un documento sigue siendo complicado.
El código es Apache-2.0. Los pesos utilizan una licencia OpenRAIL-M modificada, gratuita para investigación, uso personal y nuevas empresas con menos de 5 millones de dólares en financiación o ingresos. El autohospedaje comercial necesita una licencia y los pesos no se pueden utilizar de forma competitiva con la API de Datalab.
NuExtract 3 es un modelo de visión y lenguaje 4B de NuMind. Unifica dos tareas en un modelo: extracción estructurada (documento a JSON) y extracción de contenido (OCR a Markdown). Proporciona una entrada y una plantilla JSON que describe los campos que necesita. El modelo se entrena con aprendizaje por refuerzo para agregar razonamiento específico de extracción, que puede activar o desactivar según solicitud.
NuExtract 3 es multimodal, multilingüe y se basa en una columna vertebral de Qwen. Funciona a través de vLLM con una API compatible con OpenAI y hay un SDK de Python disponible a través de pip install numind. NuMind lo posiciona como un modelo abierto de referencia para extracción tanto estructurada como de contenidos en su tamaño. Consulte la tarjeta del modelo para conocer los términos exactos de la licencia antes del uso comercial.
Categoría 2: análisis de documentos en JSON estructurado y Markdown
Documentación de IBM
Docling comenzó en IBM Research y ahora está alojado en LF AI & Data Foundation. Analiza PDF, DOCX, PPTX, XLSX, HTML, imágenes y más. Los formatos de salida incluyen Markdown, HTML, JSON sin pérdidas y DocTags. Su núcleo es la representación DoclingDocument, que conserva el diseño, el orden de lectura, las tablas y las fórmulas como LaTeX.
Docling se ejecuta localmente para entornos con espacios libres de aire. Se integra con LangChain, LlamaIndex, Crew AI y Haystack, y envía un servidor MCP y un modo Docling Serve. El proyecto lleva una licencia permisiva del MIT. IBM también ofrece una versión administrada a través de watsonx.
IBM Granito-Docling-258M
Granite-Docling-258M es un modelo compacto de lenguaje de visión 258M de IBM. Realiza una conversión de documentos de una sola vez dentro de las canalizaciones de Docling. A pesar de su tamaño, maneja OCR, diseño, tablas, código y ecuaciones, y genera DocTags. En una GPU A100, el promedio es de aproximadamente 0,35 segundos por página.
El modelo se basa en la arquitectura Idefics3, con un codificador SigLIP2 y una columna vertebral de lenguaje Granite 165M. Se lanza bajo Apache 2.0. IBM afirma que está diseñado para la conversión de documentos, no para la comprensión general de imágenes.
OpenDataLab MinerU
MinerU, de OpenDataLab y Shanghai AI Laboratory, convierte entradas de PDF, imágenes, DOCX, PPTX y XLSX en Markdown y JSON. Combina un proceso de procesamiento con un modelo de visión y lenguaje. El modelo actual, MinerU2.5-Pro, apunta al análisis de alta resolución de diseños complejos, incluidas tablas y gráficos de varias páginas.
MinerU cambió recientemente su licencia. Pasó de AGPL-3.0 a la “Licencia de código abierto MinerU”, una licencia personalizada basada en Apache 2.0 con condiciones adicionales. Ese cambio reduce la fricción para el despliegue comercial.
Marcador de laboratorio de datos
Marker es el canal de Datalab para convertir documentos a Markdown, JSON, fragmentos y HTML. Admite PDF, imágenes, PPTX, DOCX, XLSX, HTML y EPUB. Da formato a tablas, formularios, ecuaciones, matemáticas en línea, enlaces y código. Un indicador opcional –use_llm agrega un modelo de lenguaje para mejorar tablas y formularios.
En la suite olmOCR-Bench de terceros, Marker obtiene una puntuación de alrededor de 76,1. Su código es GPL-3.0 y los pesos de su modelo utilizan una licencia AI Pubs OpenRAIL-M modificada. Esa licencia de peso es gratuita para investigación, uso personal y nuevas empresas con menos de 2 millones de dólares en financiación o ingresos. La plataforma administrada de Datalab ahora ejecuta un modelo OCR más nuevo, Chandra, que es Apache-2.0 y genera HTML, Markdown y JSON.
Ai2 olmOCR 2
olmOCR 2 es un modelo de visión y lenguaje especializado en OCR 7B del Instituto Allen para la IA (Ai2). Convierte archivos PDF en texto limpio y Markdown conservando el orden de lectura. Maneja tablas, ecuaciones y escritura a mano en diseños complejos de varias columnas. El modelo se entrena con aprendizaje reforzado a partir de recompensas verificables, utilizando pruebas unitarias sintéticas como señal de recompensa.
olmOCR 2 obtiene una puntuación de 82,4 en su propio olmOCR-Bench, entre los resultados más altos publicados en esa suite. Ai2 estima un coste de aproximadamente 178 dólares por millón de páginas en sus propias GPU. El conjunto de herramientas y los pesos allenai/olmOCR-2-7B-1025 son Apache-2.0. El modelo actual está centrado en el inglés.
DeepSeek DeepSeek-OCR
DeepSeek-OCR es un modelo de OCR abierto de DeepSeek, lanzado en octubre de 2025. Introduce la “compresión óptica de contextos”, que representa páginas ricas en texto como tokens de visión compactos y luego las decodifica nuevamente en texto. Esto le permite procesar documentos largos con muchos menos tokens que los modelos típicos de lenguaje visual.
Utiliza un DeepEncoder más un decodificador 3B Mixture-of-Experts que activa alrededor de 570 millones de parámetros por token. Dependiendo del mensaje, genera texto sin formato, Markdown, tablas HTML o JSON estructurado, y admite más de 100 idiomas. El código se publica bajo la licencia MIT. Una continuación, DeepSeek-OCR2, llegó en enero de 2026.
La opción de uso general: Qwen3-VL
Qwen3-VL de Alibaba no es un modelo específico de documento. Es una serie multimodal general que muchos modelos de extracción utilizan como base. Puede solicitarle que devuelva Markdown, JSON o código de una página. La mayoría de los tamaños se envían con Apache 2.0. Es un recurso flexible cuando un modelo especializado no encaja, aunque necesita una ingeniería más rápida y ofrece menos garantías de resultados.
Cómo se comparan las opciones
Una nota sobre los puntos de referencia: estos números provienen de diferentes suites y no son directamente comparables. El 90,2 % de Lift es la precisión de campo en el punto de referencia de extracción de esquemas de Datalab. Las puntuaciones de olmOCR-Bench para olmOCR 2 (82.4) y Marker (76.1) miden la extracción de contenido con puntuación de prueba unitaria. Ejecute sus propios documentos con cada candidato antes de decidir.
Explicación de Marktechpost
“PDF a JSON” oculta dos trabajos diferentes. La extracción basada en esquemas completa los campos que usted define. El análisis de documentos reconstruye la página en JSON o Markdown. Filtre por tarea y licencia, luego abra cualquier repositorio.
Extracción basada en esquemas
Análisis de documentos
VLM de uso general
Todo el análisis de documentos basado en esquemas General
Cualquier permisivo (MIT/Apache) Copyleft/Personalizado
Los puntos de referencia no son directamente comparables. El 90,2 % de Lift es la precisión de campo en el punto de referencia del esquema de Datalab. Las puntuaciones de olmOCR-Bench para olmOCR 2 (82,4) y Marker (76,1) miden la extracción de contenido con pruebas unitarias. Ejecute sus propios documentos antes de elegir.
Marktechpost · AI Media Inc.
Verificado a partir de fuentes primarias · Julio de 2026
Conclusiones clave
La extracción basada en esquemas (campos a valores) y el análisis de documentos (diseño a JSON) son trabajos diferentes. lift y NuExtract 3 apuntan a JSON basado en esquemas; el resto se dirige al análisis del documento. Docling, MinerU, Marker, olmOCR 2 y DeepSeek-OCR analizan documentos en Markdown estructurado o JSON. Las licencias varían ampliamente; MinerU abandonó AGPL-3.0 en 2026 y levantó y marcó licencias de código dividido y peso de modelo. Los puntos de referencia publicados provienen de diferentes conjuntos, por lo que debe tratar las puntuaciones entre modelos como indicativas, no comparables.
Michal Sutter es un profesional de la ciencia de datos con una Maestría en Ciencias de Datos de la Universidad de Padua. Con una base sólida en análisis estadístico, aprendizaje automático e ingeniería de datos, Michal se destaca en transformar conjuntos de datos complejos en conocimientos prácticos.