Логотип DropsTab - синяя линия, изображающая форму капли воды с рождественским украшением
Капитализация: $2.19 T −0.60%Объем 24ч: $118.38 B 4.16%BTC: $63,648.01 −0.69%ETH: $1,795.97 0.15%S&P 500: $7,322.07 −0.20%Золото: $3,716.64 −1.45%Доминация BTC: 58.65%

API извлечения данных о питательных веществах: сопоставление JSON со схемой с цитатами и уровнем достоверности для каждого поля

19 нояб., 2026отMarkTechPost
Присоединяйтесь к нашим социальным сетям

LLM представляет вам неверное значение, извлеченное из документа, как факт. Эта ошибка обходится дорого, особенно если принимать решения на её основе. API для извлечения данных о питательных веществах направлен на решение этой проблемы. Он парсит PDF-файлы, сканы, изображения и файлы Office, преобразуя их в пространственный JSON или Markdown. Вы можете извлекать поля из документа в соответствии со своей схемой JSON, а функции разбиения, классификации и создания форм предоставляют полезные примитивы для ваших конвейеров обработки документов. Каждое извлеченное значение привязывается к странице с помощью ограничивающего прямоугольника, метки соответствия и коэффициента достоверности. Nutrient (ранее PSPDFKit) использует один и тот же движок в рамках сервера MCP, навыка агента, приложения для Mac и SDK.

Краткое содержание

  • Размер: Хостинговый API с 4 режимами парсинга и автоматической маршрутизацией.
  • Запуск: В облаке Nutrient, на ваших собственных серверах через SDK или на Mac с чипом Apple Silicon.
  • Где попробовать: Studio — браузерная рабочая среда для настройки и тестирования парсинга, извлечения, классификации, разбиения и заполнения форм.
  • Производительность: 86,2 по общему показателю на WholeDoc Bench от Nutrient, лучший результат среди 19 настроек (живой API, Agentic).
  • Лучший: 86,2 при стоимости 1,8 цента за страницу против 67,1 при 17,8 цента для лучшей настройки фронтального модели.

Как протестировать его в Studio перед написанием кода?

Studio — это браузерная рабочая среда Nutrient для настройки и тестирования API перед интеграцией в ваше приложение. Она позволяет тестировать парсинг, извлечение, классификацию, разбиение и заполнение форм на ваших собственных файлах. Типичный цикл:

  1. Загрузите образец документа и задайте параметры, которые планируете отправлять.
  2. Составьте схему в интерфейсе или создайте её на основе ваших собственных документов.
  3. Запустите процесс на новом документе, затем проверьте значения и ссылки.
  4. Сохраните настройку как версионированный пресет. API называет это процессором с ID proc.
  5. Оцените версии пресетов по до 25 проверенным документам из набора для оценки.

Процессоры, сохранённые в Studio, затем можно вызывать по ID через API.

Какой режим выбрать?

Авто направляет каждую страницу в режим структура, понимание или агентский. Если режим не указан, API по умолчанию использует режим понимания.

ОперацияЛучше всего подходит дляЦена за страницуИзвлечение за страницуWholeDoc Bench*
Парсинг: текстНативные цифровые PDF и файлы Office, без OCR0,001 долл. США0,007 долл. США**Не тестировалось
Парсинг: структураOCR для сканов с простыми макетами, без ИИ0,0015 долл. США0,0075 долл. США39,4
Парсинг: пониманиеАнализ макета с помощью ИИ: формы, сложные макеты0,009 долл. США0,015 долл. США80,8
Парсинг: агентскийМодель компьютерного зрения: курсив, ухудшенные сканы, диаграммы0,018 долл. США0,024 долл. США86,2
КлассификацияМетки документов без обучения0,001 долл. СШАн/дн/д
РазбиениеРазделение объединённых PDF на отдельные документы0,003 долл. СШАн/дн/д

*Показатель парсинга на WholeDoc Bench, 5 ноября 2026 года; не точность извлечения. Доплата за извлечение составляет 0,006 долл. США за страницу. **В документации API указано извлечение в текстовом режиме; навык агента начинается с режима структура.

Цены указаны в долларах, исходя из одного баланса, общего для облачных API Nutrient, что позволяет командам комбинировать различные варианты. Бесплатный тариф предоставляет ежемесячное использование на 5 долларов, покрывающее около 330 извлечений в режиме понимания. Starter стоит 75 долларов в месяц за 90 долларов использования; Growth — 275 долларов за 345 долларов.

Как работает обоснованная уверенность?

В посте о уверенности Nutrient поле получило оценку 0,97, но было взято из неправильного столбца.

Текущий балл представляет собой композит из необязательных сигналов: вероятность токена, маржа кандидата, основание и формат. Модель основания NLI Nutrient grounding model распространяется по лицензии Apache-2.0. Основанное значение может по-прежнему отвечать на неверное поле. При отсутствии балла уверенность не указывается, а не является низкой.

Каждое поле также получает метку соответствия: id_match, id_match_multiblock, id_match_partial, fuzzy_match или not_found. Сначала проверьте метку, затем уровень уверенности.

Скопировать кодСкопировано Используйте другой браузер

import json, requests

API_KEY = "your_api_key"
schema = {
    "type": "object",
    "properties": {
        "invoice_number": {"type": "string", "description": "Номер счета ниже реквизитов поставщика."},
        "total_amount": {"type": "number", "description": "Итоговая сумма с налогом, указанная на чеке. Не подытог."},
    },
    "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  # только для примера; оценивайте на репрезентативных документах

for field in schema["properties"]:  # перебор ожидаемых полей, чтобы ни одно не пропустили проверку
    value = data.get(field)
    meta = metadata.get(field) or {}
    match, conf = meta.get("match"), meta.get("confidence")  # None = нет оценки
    проходит проверку, если: value не равно None и match принадлежит EXACT,
    а также conf не равно None и conf >= THRESHOLD
    print(field, value, match, conf, "страница", meta.get("pageNumber"),
          "ПРОХОДИТ_БАЗОВЫЕ_ПРОВЕРКИ" if passes else "ПРОВЕРКА")

Эта демонстрация охватывает только плоские схемы; в продакшене необходимы проверки типов и бизнес-правил. Порог в 0,97 аналогичен полям сумм в учебнике по ипотеке Nutrient.

Как работают classify и split?

Модель принятия решений по документам управляет функциями classify и split. Nutrient сообщает о F1-мере разделения 96,2% против 63,7% у Jev от Typesafe AI.

Как его используют агенты?

Хостинговый сервер MCP не требует ключа API. Claude Code подключается одной командой:

Скопировать кодСкопировано Используйте другой браузер

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

Claude и Codex также работают через OAuth. Стоимость стандартного агентского режима составляет 0,018 доллара за страницу разбора.

Агенты по программированию могут установить навык document-extraction-api с помощью npx skills add pspdfkit-labs/nutrient-skills –skill document-extraction-api.

Можно ли запустить локально?

В приложении для Mac документы остаются локальными только при использовании локальной модели. Для полностью офлайн-продакшена требуется SDK.

Как он оценивается на WholeDoc Bench?

Новая WholeDoc Bench от Nutrient оценивает целые документы, а не отдельные страницы: 480 документов, более 30 языков, 7 областей.

НастройкаОбщая оценкаТаблицыГрафикиПозиция¢/страница
Nutrient Agentic86,287,164,588,61,8
Nutrient Understand80,886,135,186,40,9
Claude Fable 5.1 (высокие усилия)67,184,758,966,017,8
Azure Document Intelligence65,969,4072,5≈2,8
GPT-6.1 Sol (средние усилия)62,982,847,649,3≈3,1
Extend (производительность)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
Docling40,063,920,20Локальный

Выбранные строки, рейтинг WholeDoc, 5 ноября 2026 года, цены по списку. *Оценка пока находится на рассмотрении.

Самый большой пробел — сохранение непрерывности между страницами. Из 44 документов с таблицами, охватывающими несколько страниц, в 15 из 19 настроек такие таблицы редко сохранялись целиком.

Nutrient разработала и запустила эту систему, а основной тестовый набор является закрытым. Код распространяется по лицензии Apache-2.0, при этом доступен публичный образец из 10 документов.

Основные выводы

  • Поля содержат информацию о страницах, регионах, метках совпадения и, при наличии данных, уровне доверия.
  • Перед написанием любого кода API необходимо настроить и протестировать систему в Studio.
  • Экстракция в режиме Understand стоит 15 долларов за 1 000 страниц.
  • Agentic возглавляет рейтинг WholeDoc от Nutrient с результатом 86,2 при стоимости 1,8 цента за страницу.
  • Графики остаются сложной задачей: 64,5 — лучший показатель для графиков в WholeDoc.

См. API извлечения данных, бенчмарки, сервер MCP и навыки агентов на GitHub.


Благодарим команду Nutrient AI за экспертное руководство и предоставленные ресурсы для этой статьи. Статья является спонсорской.

Запись API извлечения данных Nutrient: JSON, соответствующий вашей схеме, с указанием источников и уровнем доверия для каждого поля была опубликована первым на MarkTechPost.

Продолжить чтение этой статьи в источнике: marktechpost.com