Chuyển đổi PDF sang JSON: Hướng dẫn về các mô hình mã nguồn mở năm 2026

Nội dung dịch chi tiết

Trong năm 2026, phần lớn dữ liệu doanh nghiệp vẫn nằm trong các tệp PDF, bản quét và slide. Để các mô hình ngôn ngữ lớn (LLM) có thể sử dụng, dữ liệu này cần được chuyển đổi sang định dạng JSON có cấu trúc. Việc sử dụng các mô hình mã nguồn mở giúp doanh nghiệp tự chủ về chi phí và bảo mật, thay vì phụ thuộc vào các API độc quyền đắt đỏ.

Có hai bài toán chính trong việc chuyển đổi PDF sang JSON. Thứ nhất là 'trích xuất theo lược đồ' (schema-driven extraction), nơi bạn định nghĩa các trường dữ liệu và mô hình sẽ điền giá trị vào đó, phù hợp cho hóa đơn, hợp đồng hoặc biểu mẫu. Thứ hai là 'phân tích tài liệu' (document parsing), giúp tái cấu trúc toàn bộ trang thành JSON hoặc Markdown, bao gồm bố cục, bảng biểu và công thức, phục vụ cho các hệ thống RAG.

Đối với trích xuất theo lược đồ, 'lift' (9B) từ Datalab là một lựa chọn mạnh mẽ với độ chính xác cao, hỗ trợ các tài liệu nhiều trang. NuExtract 3 (4B) từ NuMind cũng là một ứng viên sáng giá, kết hợp cả khả năng trích xuất cấu trúc và OCR trong một mô hình đa phương thức, hỗ trợ nhiều ngôn ngữ.

Trong mảng phân tích tài liệu, Docling của IBM là công cụ linh hoạt hỗ trợ nhiều định dạng tệp và tích hợp tốt với các hệ sinh thái như LangChain. IBM cũng cung cấp Granite-Docling-258M, một mô hình nhỏ gọn tối ưu cho việc chuyển đổi tài liệu nhanh chóng. Ngoài ra, MinerU và Marker là những lựa chọn phổ biến để chuyển đổi tài liệu phức tạp sang Markdown hoặc JSON.

Các mô hình chuyên biệt khác như olmOCR 2 của Ai2 tập trung vào việc chuyển đổi PDF sang văn bản sạch với độ chính xác cao trong việc giữ nguyên thứ tự đọc. DeepSeek-OCR lại gây ấn tượng với kỹ thuật nén thị giác, cho phép xử lý các tài liệu dài với lượng token thấp. Cuối cùng, Qwen3-VL đóng vai trò là mô hình đa phương thức tổng quát, linh hoạt cho các trường hợp không cần mô hình chuyên biệt.

Người dùng cần lưu ý rằng các điểm chuẩn (benchmark) giữa các mô hình không hoàn toàn tương đương do khác biệt về phương pháp đo lường. Trước khi triển khai, doanh nghiệp nên thử nghiệm trực tiếp trên tài liệu thực tế của mình. Đồng thời, cần kiểm tra kỹ giấy phép sử dụng, vì nhiều dự án hiện nay tách biệt giấy phép giữa mã nguồn và trọng số mô hình.