文档解析也有自己的「OpenRouter」了：LlamaIndex OpenDocRouter 把 10 个模型塞进一个 API

2026 年 10 月 7 日，LlamaIndex 在 LinkedIn 上公布了一个新产品：OpenDocRouter。第一眼看名字，你可能以为这又是某个解析器的升级款，但它干的事完全不一样——把 10 个文档解析模型塞进同一个 POST /v1/parse 接口后面，开发者用一个 API key，就能在 10 个模型之间任意切换。

这个玩法你肯定眼熟：OpenRouter 对大语言模型做的事，OpenDocRouter 正在对文档解析做。过去一年，RAG 应用最大的痛点不是检索算法，而是第一步——把 PDF、扫描件、财报表格变成干净文本。这一步又脏又贵，而且每个解析服务商的接口都不一样，换一家等于重写一遍接入代码。LlamaIndex 这次等于宣布：解析模型也可以像 LLM 一样，被当成可替换的商品来路由。

这不是解析器，是解析界的 OpenRouter

先把产品形态说清楚。OpenDocRouter 不是第 11 个解析模型，而是一个统一路由层：请求打到 POST /v1/parse，你在参数里指定用哪个模型，后面真正干活的可以是 10 个模型中的任意一个。

10 个模型的名单值得逐个看。前沿模型 5 个：Claude Opus 5.5、Gemini 3 Flash、Gemini 3.8 Flash、GPT-5.6 Terra、GPT-6 Luna。开源模型 5 个：Infinity-Parser2-Flash、MinerU2.5-Pro、TeleOCR、dots.mocr、PaddleOCR-VL-1.6。这个组合很有讲究——一边是最贵的闭源旗舰，一边是社区里口碑最好的开源解析器，中间还夹着几个轻量 Flash 级别模型。换句话说，从「不计成本要最好」到「能省则省」，光谱的两端都被覆盖了。

它解决的是一个真实存在的切换成本问题。此前你要对比两个解析服务的效果，得分别注册、分别接 SDK、分别处理返回格式的差异，最后多半因为懒而停在第一个试用的上面。统一接口之后，对比变成改一个参数的事，AB 测试的成本趋近于零。这对独立开发者和小团队尤其友好——你终于可以用和大厂一样的姿势做选型：先全量跑一遍，看效果和账单，再决定。

60 倍价差、14 分差距：ParseBench 把成本谈判摆上台面

和产品一起发布的还有 ParseBench，一个解析基准测试：约 2000 页经过人工校验的企业真实文档，16.9 万条校验规则。企业文档这个定语很关键——它测的不是干净的学术论文，而是财报、合同、发票这种版式混乱、表格嵌套的真家伙。

分数出来之后，最有意思的不是谁第一，而是价格和分数的对照表。Claude Opus 5.5 总分 84.20，表格项 93.53，断层领先，但价格是每千页 48.82 美元。GPT-6 Luna 总分 71.34，每千页只要 0.80 美元。开源的 MinerU2.5-Pro 总分 70.05，每千页 0.86 美元。算一下：60 倍的价差，换来的分数差距是 14 分。

这个数字值得每个做 RAG 的人停下来想一想。你的场景真的需要那 14 分吗？如果是财报关键数字的抽取，表格项 93.53 对 70 出头可能是天壤之别，48 美元花得值。但如果是把 10 万页内部 wiki 灌进向量库做语义检索，70 分和 84 分的下游差距可能根本测不出来，而账单差了 60 倍。OpenDocRouter 的真正价值不在路由本身，而在它第一次把「质量—成本」这张菜单公开透明地摆了出来：你不用再靠销售话术和博客 benchmark 猜，官方直接把价格和分数钉在一起。

一个务实的分层策略已经呼之欲出：大批量、低敏感的文档走 MinerU2.5-Pro 或 GPT-6 Luna 这类便宜模型；表格密集、数字敏感的财报合同，单独路由给 Claude Opus 5.5。按文档类型分流，而不是一刀切选一个模型——这才是路由层该有的用法。

计费和隐私：按 token 收、前沿模型不加价、失败免费

计费设计有几个细节能看出 LlamaIndex 在讨好开发者。第一，按 token 计费，而不是简单粗暴的按页打包价——解析结果的 token 量和你实际拿到的内容挂钩，账算得更细。第二，前沿模型 at-cost，不加价：Claude、GPT 这些闭源模型的调用成本是多少就收多少，LlamaIndex 不在中间抽成。第三，充值只收 5% 手续费。第四，失败的、缓存命中的、空白页，全部免费。

最后一条很容易被忽略，但它恰恰是解析场景里最实在的省钱项。真实世界的文档集合里，空白页、重复上传、解析失败重试是家常便饭，按页计费的模式下这些全是冤枉钱。失败免费加上按页独立计费的重试机制，等于把「重试」这个动作的成本打到了零——你终于可以放心地对解析失败的页面重试三次，而不是在心里默算账单。

隐私侧的承诺同样直接：文档默认不留存。解析用的缓存只保留 24 小时、加密存储、随时可删。对处理合同、病历、财务数据的团队来说，「默认不留存」四个字比任何合规徽章都管用——数据不落盘，就没有泄露面。当然，缓存 24 小时意味着重复解析同一文档可以命中缓存免费，这和上面的失败免费是一套逻辑：为真实工作流省钱。

自研 grounding 引擎：layout:true 让每段文字都有坐标

除了路由，OpenDocRouter 还塞了一个自研的 grounding 引擎：请求里加上 layout: true，返回结果里每段文字都会带上 bounding box（坐标框），外加 17 类版式标签描述的文档结构——标题、表格、页眉页脚、列表、图片说明，各归其位。

为什么这事重要？因为 RAG 的引用体验，差就差在 grounding 上。「答案来自第 5 页」和「答案来自第 5 页这个红框里」，对用户是两种信任等级。前者你还得自己翻，后者直接高亮定位。版式标签的价值在表格和嵌套结构上最明显：解析器知道这是一张表格、那是表格的表头，下游做结构化抽取时就不用再猜。

说句判断：路由层谁都能抄——无非是统一接口加模型列表。但把 bounding box 级别的 grounding 做进解析输出，并且和 10 个模型的输出格式对齐，这才是 OpenDocRouter 真正的护城河。模型会换代、价格会波动，一个稳定、高精度的版式理解层才是长期资产。

和 LlamaParse 的分工：一个管快，一个管精

很多人第一个问题是：那 LlamaParse 怎么办？LlamaIndex 给出的分工很清晰：OpenDocRouter 负责快速接入和自由路由，LlamaParse 继续做企业级调优和 schema 抽取。

翻译一下：你要快速验证想法、对比模型效果、不想被锁定，用 OpenDocRouter；你的生产系统需要针对特定版式微调、需要把解析结果直接抽成严格 schema（比如发票字段、合同条款），那是 LlamaParse 的活。这不是左右手互搏，而是把「实验层」和「生产层」拆成了两个产品。对 LlamaIndex 来说，OpenDocRouter 是获客漏斗的入口——先用路由把你圈进来，重度用户自然会沉淀到 LlamaParse。

工程上的约束也一并给了出来：单次请求 50MB、500 页上限；50 页以内同步返回，超过走异步；按页独立计费和重试。这些数字说明它从第一天就是按生产 workload 设计的，不是 demo 玩具。

竞争格局也值得看一眼。文档解析赛道这两年其实不缺玩家：Azure Document Intelligence、AWS Textract 这些云大厂方案胜在生态绑定；Unstructured、Reducto 等创业公司靠特定场景的精度吃饭。OpenDocRouter 的打法和它们都不一样——它不跟你拼某一个模型的精度，而是把「选择权」本身产品化。当 10 个模型的价格和分数都被摆上台面，竞争就从「谁解析得更准」变成了「谁的路由更聪明、账单更透明」。这个维度上，先把菜单做出来的人，天然就占了定义权。

我们的判断：RAG 里最脏最贵的活，第一次有了公开菜单

回到开头那个观点：RAG 整条链路里，文档解析是最脏、最贵、也最被低估的一环。脏在版式千奇百怪，贵在好模型按页收费不眨眼，被低估在大家总把精力花在检索算法上，却没想到第一步丢掉的信息后面再也找不回来。

OpenDocRouter 的意义不在技术，而在市场结构。它把解析从「选一家供应商、签一年合同」的重决策，变成了「改个参数、按页付费」的轻决策。60 倍价差只差 14 分这件事被公开钉在基准测试里之后，任何解析服务商都很难再靠信息差赚钱——这对买方是纯利好。

给开发者的实操建议就三条。第一，现在就把解析层抽象在路由接口后面写，别把某个具体服务的 SDK 写进业务代码——不管你用不用 OpenDocRouter，可替换性本身就是资产。第二，上线前用 ParseBench 这类基准在自己的文档上实测，别信通用的分数，你的版式才是你的真相。第三，建立按文档类型分流的习惯：便宜模型处理大头，贵模型只处理值得的 5%。解析的成本优化，未来会和 LLM 的路由优化一样，成为 RAG 工程的标准动作。

Unite.AI 在 10 月 7 日的报道中也交叉确认了这次发布的核心信息。对出海团队来说，按 token 计费和文档默认不留存这两条，也直接降低了合规审计的解释成本。对 LlamaIndex 来说，这一步走得不意外——从 LlamaParse 到 OpenDocRouter，它正在把自己从「一个解析工具」变成「文档智能的基础设施层」。RAG 的军备竞赛，下半场拼的可能不是谁的模型更大，而是谁的管线更便宜、更透明、更好换。