LlamaIndex 推出 ParseBench-2，升级文档解析评测基准与评估框架

LlamaIndex 正式发布 ParseBench-2 文档解析基准与配套评估框架，新版本在初代 ParseBench 基础上扩充数据集、新增评估维度，核心亮点是引入错误严重度感知打分机制，不再只看文本识别的表面正确率，重点区分无害格式差异和会造成下游任务出错的致命错误，更贴合 RAG、智能文档 Agent 在企业业务里的真实使用需求。初代版本只有 5 个评测维度、2000 页左右文档，ParseBench-2 扩充到 4317 页人工标注文档，新增表单评估维度，形成六大评测方向；这套框架会同时计算内容还原分和错误上限分，取两者较低值作为最终得分，就算大部分内容识别正确，只要出现一处关键事实错误，分数就会被大幅压低，解决旧基准容易掩盖致命缺陷的问题。想要用好 ParseBench-2，首先要熟悉六大评测维度，再理解严重度打分逻辑，最后掌握基于这套基准对比不同 OCR、文档解析工具的操作流程。

一、ParseBench-2 基础信息清单

二、六大评测维度说明

1. 文本：校验文字内容忠实度，检查漏字、错字、事实篡改
2. 格式：校验段落、分栏、层级标题等语义排版结构
3. 表格：重点核对单元格数值、跨行跨列、合并单元格信息，金融报表高频踩坑点
4. 图表：提取图表内数据点，而不只是识别图片文字
5. 视觉定位：元素坐标、边界框校验，用于文档溯源、定位复核
6. 表单：新增维度，针对填写类单据、合同表单字段提取校验

三、严重度打分机制拆解

1. 区分两类错误：良性格式微调不扣分；事实篡改、数值写错、结构丢失属于高严重度错误
2. 扣分规则：一处关键错误最多可扣 10 分，哪怕其余内容全部识别正确
3. 输出附带错误明细：不只给出总分，同步标注错误位置、错误类型，方便开发者针对性优化解析器

四、使用流程简要说明

1. 准备待测试的文档解析工具（OCR、文档 Parser、多模态大模型）
2. 导入 ParseBench-2 公开测试集文档
3. 调用评估脚本，自动按 6 个维度校验输出结果
4. 框架自动计算内容分、严重度上限分，输出总分 + 错误报告
5. 横向对比不同解析方案的分数、缺陷类型、单页成本，选型适配业务

五、综合小结

ParseBench-2 是面向 AI 智能体、RAG 业务的新一代文档解析评测基准，相比传统 OCR 评测更看重错误带来的业务后果，适合开发人员横向对比 LlamaParse、通用 VLM、各类商用文档智能方案，但是分数仅为参考，最终落地仍然需要结合自身行业文档做专项测试。

【相关 FAQ】

问题 1：LlamaIndex 发布的 ParseBench-2 文档解析基准相比旧版有什么变化？

回答 1：LlamaIndex 发布 ParseBench-2 文档解析基准，文档样本从初代 2000 页扩充至 4317 页，新增表单评测维度，最大改动是增加严重度感知打分框架，规避高分掩盖致命数值错误的问题。

问题 2：LlamaIndex 的 ParseBench-2 文档解析基准，主要用来测试什么工具？

回答 2：LlamaIndex 的 ParseBench-2 文档解析基准，用来评测各类文档解析工具，包括 OCR 引擎、专用文档解析器、多模态大模型、LlamaParse 等方案，适配 RAG 和文档 Agent 场景。

问题 3：ParseBench-2 文档解析基准的严重度打分是什么意思？

回答 3：ParseBench-2 文档解析基准的严重度打分，指框架会区分错误影响大小，像财务数字写错这类高危害错误会强制压低总分，单纯换行、空格这类不影响理解的小改动不扣分。

【参考资料】

[2026-11-14]（LlamaIndex 发布 ParseBench-2 文档解析基准与框架）InfoQ

[2026-11-12]（LlamaIndex ParseBench-2 Scores a $540 Million Table Error at 90）The Agent Times

[2026-11-10]（ParseBench-2: Severity-Aware Evaluation of Document Parsing）LlamaIndex 官方论文

【免责声明】

本文内容为 LlamaIndex ParseBench-2 公开资料整理，基准测试分数仅代表该测试集下的表现；不同文档类型、业务场景下解析工具效果存在差异，不构成技术选型唯一依据，完整评测规则、数据集以 LlamaIndex 官方仓库和论文为准。