AB
AiBoss站
快讯

Nutrient 推出数据提取 API:按自定义 Schema 输出 JSON 并附字段级引用

Nutrient(原 PSPDFKit)发布数据提取 API,可将 PDF、扫描件、图片与 Office 文件解析为符合用户 JSON Schema 的结构化数据,每个字段附带页码、边界框、匹配标签与置信度。官方称其 Agentic 模式在自建 WholeDoc Bench 上得分 86.2,但该基准由厂商自建、主测试集未公开。

Nutrient 发布数据提取 API,字段级引用与置信度成卖点

据 MarkTechPost 报道,Nutrient(原 PSPDFKit)推出数据提取 API,可将 PDF、扫描件、图片和 Office 文件解析为空间 JSON 或 Markdown,并把文档中的字段映射到用户自定义的 JSON Schema。该 API 为每个提取值标注所在页码、边界框、匹配标签(如 id_match、fuzzy_match、not_found)以及置信度分数;当某项没有可用分数时,置信度字段会被省略,而不是给出低分。报道称,同一引擎也用于其 MCP 服务器、agent skill、Mac 应用和 SDK。

背景:用引用与置信度缓解「模型把错值当事实」

报道指出,该产品针对的是大模型把文档中错误数值当作事实输出的问题。API 提供 parse、extract、split、classify 与 form 等端点,parse 含 text、structure、understand、agentic 四种模式及自动路由,未指定模式时默认 understand。Nutrient 称其自建的 WholeDoc Bench 覆盖 480 份文档、30 多种语言,Agentic 模式综合得分 86.2,Understand 模式为 80.8;报道同时提到图表类任务仍是短板,最高分仅 64.5。报道还称 classify 与 split 由文档决策模型驱动,split 的 F1 为 96.2%。

限制与来源

需注意,上述基准由 Nutrient 自行构建并运行,主测试集未公开,仅提供 10 份文档的公开样本,因此分数不宜直接视为第三方验证的提取准确率。报道本身标注为赞助内容。价格方面,报道列出 parse 各模式每页 0.001 至 0.018 美元、extract 每页另加 0.006 美元,以及免费额度与订阅档位,但这些信息可能变动,请以 Nutrient 官网当前公布为准。此外,报道中的示例代码仅覆盖扁平 Schema,生产环境仍需自行补充类型与业务规则校验。来源:MarkTechPost。