attnstack 开源中文 PDF 解析引擎 docforge v0.1 及评测基准
先了解这件事
attnstack 在 GitHub 开源中文文档解析引擎 docforge v0.1（MIT 协议），可将多栏、复杂表格、扫描件 PDF 转成 LLM-ready 的分层 Markdown 和带 bbox 的 JSON，并发布包含 CER、TEDS、阅读顺序、标题树四项指标的公开可复现评测基准。作者称在真实公文集上 docforge 综合分 0.8321，高于 PyMuPDF4LLM 的 0.5832 和 markitdown 的 0.4144，扫描公文页 OCR 文本达 0.9931。 需注意的限制：该真实集仅 7 个样本（5 数字 + 2 扫描仿真），采用单标注流程，双人标注与 Kappa 一致率报告尚在补充；扫描页表格结构 v0.1 不支持；扫描件 OCR 为可选能力，需通过 pip install "docforge[ocr]" 安装（拉起 PaddleOCR，首次运行自动下载模型）。评测命令与标注协议均已开源。
AI 根据报道生成 · 21 小时前更新
报道时间线
沿着报道，了解事件的不同侧面。
- GitHub · 灵魂体仓库精选docforge 开源中文 PDF 解析引擎并发布可复现评测 Benchmark
attnstack 在 GitHub 开源 docforge，将多栏、复杂表格、扫描件 PDF 转成 LLM-ready 的分层 Markdown 和带 bbox 的 JSON，并附带 CER / TEDS / 阅读顺序 / 标题树四项确定性指标的公开 benchmark。真实公文集上 docforge 综合分 0.8321，高于 PyMuPDF4LLM 的 0.5832 和 markitdown 的 0.4144，扫描公文页 OCR 文本 0.9931；作者同时声明真实集仅 7 样本、扫描页表格结构 v0.1 不支持，评测命令与标注协议均已开源。
本事件热度走势
- 可比范围当前
- 5
- 可比范围峰值
- 810月31日 08:00
- 近 24 小时变化
- –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。