Convertir PDF a Markdown con markitdown y LLM

• El PDF sigue siendo el formato de documento predominante → con limitaciones para el rendimiento de búsqueda de los LLM
• Experimento de conversión de PDF→Markdown con markitdown, el proyecto open source de Microsoft
• Limitaciones como fórmulas y diseño descompuestos; mejora de legibilidad con corrección mediante LLM
• Adecuado para PDF de una sola columna y centrados en texto; los documentos complejos tienen restricciones

[ahwjdekf]

Incluso en RAG, este documento PDF siempre causa problemas.

[ahwjdekf]

El peor formato: PDF

[kbumsik]

markitdown es conveniente para convertir entre formatos, pero con PDF no debería usarse nunca. D

Ya hay muchos métodos de extracción de documentos que usan LLM multimodales como Gemini, y en los benchmarks también muestran resultados bastante buenos. El problema, claro, es el costo.

Algo como docling también está bien.

[kaydash]

docling también está bueno

[lamanus]

markitdown usa https://github.com/pdfminer/pdfminer.six para analizar PDFs, y extrae el texto o las imágenes incrustadas directamente del archivo. Decir que es OCR ya marea un poco...