跳到正文
RadarAI· MarkTechPost(RSS)·· 1 天前AI 评分38

Nutrient Data Extraction API 支持按 JSON Schema 提取并附带逐字段引用与置信度

AI 导读

Nutrient(原 PSPDFKit)的 Data Extraction API 可将 PDF、扫描件、图片和 Office 文件解析为空间 JSON 或 Markdown,并按自定义 JSON Schema 提取字段,每个值附带页码、边界框、match 标签和置信度。

正文 · AI 翻译

MarkTechPost· Asif Razzaq·2026-11-19 11:23· 1 小时前AI 评分55

Nutrient 数据提取 API:按你的 Schema 输出 JSON,并附逐字段引用与置信度

AI 导读

Nutrient(原 PSPDFKit)的 Data Extraction API 可将 PDF、扫描件、图片和 Office 文件解析为空间 JSON 或 Markdown,每个字段附页码、边界框、match 标签和置信度。

正文 · 原文

当 LLM 把从文档中提取的错误值当作事实呈现给你时,这种错误代价高昂,尤其是在据此做决策时。 Nutrient Data Extraction API 正是针对这一问题。它可将 PDF、扫描件、图片和 Office 文件解析为空间 JSON 或 Markdown。Extract 会将文档中的字段映射到你的 JSON schema,而 split、classify 和 form 端点则为你的文档流水线提供实用的基础能力。每个提取出的值都通过边界框、match 标签和置信度分数锚定到某一页。Nutrient(原 PSPDFKit)在 MCP server、agent skill、Mac app 和 SDK 背后运行着同一套引擎。

TL;DR

  • 规模: 托管 API,含 4 种解析模式及自动路由。
  • 运行于: Nutrient 云、通过 SDK 运行在你自己的服务器上,或 Apple silicon Mac。
  • 试用入口: Studio,一个浏览器工作区,用于配置和测试解析、提取、分类、拆分和表单填写。
  • 性能: 在 Nutrient 的 WholeDoc Bench 上总体得分 86.2,在 19 种设置中排名第一(live API、Agentic)。
  • 最佳: 每页 1.8¢ 时得分 86.2,而最佳前沿模型设置为每页 17.8¢ 时得分 67.1。

如何在写代码前在 Studio 中测试?

Studio 是 Nutrient 的浏览器工作区,用于在将 API 集成到你的应用之前配置和测试它。它让你能在自己的文件上测试解析、提取、分类、拆分和表单填写。典型流程:

  1. 上传示例文档并设置你计划发送的参数。
  2. 在 UI 中起草 schema,或根据你自己的文档生成一个。
  3. 在新文档上运行,然后检查值和引用。
  4. 将设置保存为带版本的预设。API 将其称为 processor,带有 proc_ ID。
  5. 在评估集中用最多 25 份已审核文档对预设版本打分。

在 Studio 中保存的 processor 之后可通过 ID 从 API 调用。

应该选择哪种模式?

Auto 会将每一页路由到 structure、understand 或 agentic。如果省略模式,API 默认使用 understand。

操作最适合每页价格每页提取WholeDoc Bench*
Parse: text原生数字 PDF 和 Office 文件,无需 OCR$0.001$0.007**未测试
Parse: structure针对简单版式的扫描件进行 OCR,不使用 AI$0.0015$0.007539.4
Parse: understandAI 版式分析:表单、复杂版式$0.009$0.01580.8
Parse: agentic视觉语言模型:手写体、退化扫描件、图表$0.018$0.02486.2
Classify零样本文档标签$0.001n/an/a
Split将合并的 PDF 拆分为多个文档$0.003n/an/a

*WholeDoc Bench 解析得分,2026 年 11 月 5 日;并非提取准确率。Extract 每页额外收费 $0.006。**API 文档列出 text 模式提取;agent skill 从 structure 开始。

定价以美元计,来自 Nutrient 云 API 共享的 1 个余额,因此团队可以自由组合搭配。免费计划每月提供 5 美元用量,约可覆盖 330 次 understand 模式提取。Starter 每月 75 美元,包含 90 美元用量;Growth 每月 275 美元,包含 345 美元用量。

grounded confidence 是如何工作的?

在 Nutrient 的置信度文章中,某个字段得分为 0.97,但来自错误的列。

当前得分是可选信号的综合值:token 概率、候选边际、grounding 和格式。Nutrient 的 NLI grounding 模型以 Apache-2.0 开源。一个 grounded 值仍可能对应错误的字段。当不存在得分时,置信度会被省略,而不是记为低分。

每个字段还会获得一个匹配标签:id_match、id_match_multiblock、id_match_partial、fuzzy_match 或 not_found。先根据标签做门控,再看置信度。

复制代码已复制使用其他浏览器

import json, requests

API_KEY = "your_api_key"
schema = {
    "type": "object",
    "properties": {
        "invoice_number": {"type": "string", "description": "Invoice number below the supplier details."},
        "total_amount": {"type": "number", "description": "Printed final total including tax. Not the subtotal."},
    },
    "required": ["invoice_number", "total_amount"],
}
instructions = {"schema": schema, "parseConfig": {"mode": "understand"},
                "options": {"includeCitations": True}}

with open("invoice.pdf", "rb") as f:
    r = requests.post(
        "https://api.nutrient.io/extraction/extract",
        headers={"Authorization": f"Bearer {API_KEY}"},
        files={"file": ("invoice.pdf", f, "application/pdf"),
               "instructions": (None, json.dumps(instructions), "application/json")},
        timeout=300,
    )
r.raise_for_status()
out = r.json()["output"]
data, metadata = out.get("data") or {}, out.get("metadata") or {}

EXACT = {"id_match", "id_match_multiblock"}
THRESHOLD = 0.97  # illustrative only; evaluate on representative documents

for field in schema["properties"]:  # loop over expected fields so none skip review
    value = data.get(field)
    meta = metadata.get(field) or {}
    match, conf = meta.get("match"), meta.get("confidence")  # None = no score
    passes = (value is not None and match in EXACT
              and conf is not None and conf >= THRESHOLD)
    print(field, value, match, conf, "page", meta.get("pageNumber"),
          "PASSES_BASIC_CHECKS" if passes else "REVIEW")

此演示仅覆盖扁平 schema;生产环境需要类型和业务规则检查。0.97 的门槛对应 Nutrient 抵押贷款教程中的金额字段。

classify 和 split 是如何工作的?

一个文档决策模型为 classify 和 split 提供支持。Nutrient 报告 split F1 为 96.2%,而 Typesafe AI 的 Jev 为 63.7%。

agent 如何使用它?

托管的 MCP 服务器无需 API key。Claude Code 用 1 条命令即可连接:

复制代码已复制使用其他浏览器

claude mcp add --transport http --scope user nutrient https://mcp.nutrient.io/mcp

Claude 和 Codex 也可通过 OAuth 使用。默认 agentic 模式的解析成本为每页 0.018 美元。

编码 agent 可以通过 npx skills add pspdfkit-labs/nutrient-skills –skill document-extraction-api 安装 document-extraction-api skill。

它能在本地运行吗?

在 Mac 应用上,只有使用本地模型时文档才会留在本地。完全离线的生产环境需要 SDK。

它在 WholeDoc Bench 上的得分如何?

Nutrient 新的 WholeDoc Bench 评估整份文档,而非单页:480 份文档、30 多种语言、7 个领域。

设置总体表格图表位置美分/页
Nutrient Agentic86.287.164.588.61.8
Nutrient Understand80.886.135.186.40.9
Claude Fable 5.1(高 effort)67.184.758.966.017.8
Azure Document Intelligence65.969.4072.5≈2.8
GPT-6.1 Sol(中 effort)62.982.847.649.3≈3.1
Extend(性能)60.580.840.675.22.0
Reducto(R-1)59.976.438.576.4≈1.7
LlamaParse Agentic Plus56.789.50*65.4≈5.6
AWS Textract49.971.4070.01.5
Docling40.063.920.20本地

选定行,WholeDoc 排行榜,2026 年 11 月 5 日,标价。*得分仍在审核中。

跨页连续性是最主要的差距。在 44 份包含跨页表格的文档上,19 个设置中有 15 个很少能保持表格完整。

Nutrient 构建并运行了它,主要测试集为私有。代码为 Apache-2.0,附带 10 份文档的公开样本。 

关键要点

  • 字段携带页码、区域、匹配标签,以及可用时的置信度。
  • 在编写任何 API 代码之前,先在 Studio 中配置和测试。
  • Understand 模式提取的成本为每 1,000 页 15 美元。
  • Agentic 在 Nutrient 的 WholeDoc Bench 上以每页 1.8 美分的成本位居榜首,得分 86.2。
  • 图表仍然困难:64.5 是 WholeDoc 图表最高分。

参见 Data Extraction API、基准测试、MCP 服务器和 GitHub 上的 agent skill。


感谢 Nutrient AI 团队为本文提供的思想领导力/资源。本文为赞助内容。

文章营养数据提取 API:按你的 Schema 输出 JSON,并附逐字段引用与置信度首次发表于MarkTechPost。

来源:MarkTechPost · marktechpost.com

来源:RadarAI · aihot.news