GPT 6.1 Terra文档解析评测：表格能力强，布局与图表是短板

引言

在文档解析领域，通用大模型能否胜任复杂版面、表格和图表，一直是开发者关注的焦点。近期，ParseBench 公布了对 GPT 6.1 Terra 的评测结果，显示该模型在文档解析上具备一定实力，尤其在表格解析方面表现突出，但在布局、图表和格式化处理上仍有明显不足。

评测结果概览

根据 ParseBench 的评测，GPT 6.1 Terra 在整体排行榜上位列第五，排名高于 6 Sol，低于 Opus 5.5 和 Astra。具体来看，该模型在表格解析上表现抢眼，能够较好地提取表格内容；在内容忠实度和阅读顺序上也表现尚可。然而，它在布局理解、图表解析和格式化方面则显得力不从心。

优势：表格解析与内容忠实度

表格解析是 GPT 6.1 Terra 的强项。评测指出，该模型在表格解析上“spikes”（即表现突出），这使得它成为处理表格密集型页面的不错选择。此外，模型在内容忠实度（faithfulness）和阅读顺序（reading order）上也有不错的表现，能够较好地保留原文信息并按照合理顺序输出。

短板：布局、图表与格式化

尽管表格解析能力较强，但 GPT 6.1 Terra 在布局理解（layout）、图表解析（charts）和格式化（formatting）方面表现不佳。这意味着对于包含复杂版面、图表或需要特定格式输出的文档，该模型可能无法提供稳定可靠的结果。

ParseBench 是一个面向文档解析任务的公开基准测试平台，其评测维度通常覆盖表格结构还原、版面元素识别、图表语义抽取、阅读顺序还原与内容忠实度等。不同模型在这些子任务上的得分会被汇总为综合排名，因此“位列第五”意味着 GPT 6.1 Terra 在整体均衡性上处于中上游，而非单项冠军。理解这一点很重要：排行榜名次反映的是多维度加权结果，某个子项“spikes”并不必然转化为综合领先，开发者应结合自身文档类型查看细分指标，而不是只看总排名。

布局理解（layout）指模型对页面中标题、段落、分栏、页眉页脚、图片区域等空间结构的识别与还原能力；图表解析（charts）则要求模型从柱状图、折线图、饼图等图形中读出坐标轴、图例、数据系列并转化为结构化数据；格式化（formatting）关注输出是否保持原文的层级、列表、加粗等样式信息。这三项能力共同决定了文档解析结果能否直接用于下游检索或数据入库。通用大模型往往在纯文本与表格上较强，但在需要精确定位坐标与视觉语义的布局、图表任务上弱于专用 OCR 流水线，这正是评测中该模型表现不佳的原因。

成本与定位

据 ParseBench 透露，GPT 6.1 Terra 的处理成本约为每页 1 美分（~1c per page）。对于表格较多的页面，这一价格使其成为一个性价比较高的选择。但需要注意的是，该模型并非全能，在多个维度上仍需依赖专门的 OCR 解决方案。

与专用OCR方案的互补

评测建议，可以将 GPT 6.1 Terra 与专门的 OCR 解决方案（如 LlamaParse）结合使用。专用 OCR 工具在各种维度上能提供更一致的性能，而 GPT 6.1 Terra 则可以在表格解析等特定场景下发挥优势。这种组合策略有助于在成本与性能之间取得平衡。

LlamaParse 是 LlamaIndex 推出的文档解析服务，专为复杂 PDF 与版面设计，内置版面分析、表格识别与阅读顺序还原等流水线，输出可直接供检索增强生成（RAG）使用。与通用大模型相比，专用 OCR 方案在各维度上更均衡稳定，但成本与灵活性各有取舍。将两者组合的常见做法是：先用专用解析器完成版面切分与常规文本抽取，再把表格密集或结构复杂的页面交给大模型做二次精修，从而在解析质量与每页成本之间取得平衡。

总结

GPT 6.1 Terra 作为一款前沿模型，在文档解析上展现了不错的表格处理能力，但在布局、图表和格式化方面仍有局限。对于表格密集的文档，它是一个经济的选择，但若需要全面稳定的解析效果，仍需搭配专用 OCR 工具。开发者可以根据具体需求灵活选用。

（注：本文基于 ParseBench 在 Twitter 上发布的评测信息，更多细节可查看 ParseBench 官网。）