LlamaParse Extract Turbo：极速文档抽取新 tier 深度解读 · 干货攻略

  • 链接:https://x.com/jerryjliu0/status/2095622647375651100
  • 分类:x-tips
  • 来源:X @jerryjliu0
  • 作者:Jay
  • 更新:2026-09-14

这是什么

Extract Turbo 是 LlamaIndex（LlamaParse / LlamaExtract）平台在 2026 年 9 月发布的全新文档抽取 tier，处于 beta 阶段，主打极致低延迟，目标场景是 extraction 位于用户响应路径上的实时工作流。

LlamaParse 是 LlamaIndex 的核心商业产品，提供 Parse（文档解析）和 Extract（结构化抽取）两大模块。Extract 在 Parse 的基础上接收用户定义的 data_schema，将非结构化文档转化为结构化 JSON。Turbo 是 Extract 模块下的第三个 tier，定位介于已有的 Cost Effective（低价）和 Agentic/Agentic Plus（高准确率）之间。

架构核心变化：Turbo 移除了其他 tier 都有的独立解析（parse）步骤，直接从文档页面并行抽取，输出只有结构化 JSON，没有中间 parse 结果（如 Markdown / plain text）。这与 Agentic/Agentic Plus 的区别在于，后者会先完整解析再抽取，而 Turbo 把两个步骤合并为一个无 parse 中间态的端到端 pipeline。

为什么值得关注

Jerry Liu（LlamaIndex CEO）原话：

"Extract Turbo — the fastest VLM-powered document extraction solution. It is 3-5x faster than all other comparable OCR solutions, including our other LlamaParse tiers, at equivalent or higher accuracy."

这条分享值得关注的理由：

  1. 性能提升显著且有基准支撑：LlamaIndex 同期开源了 ExtractBench，Turbo 在该基准上公开验证了速度优势，不是营销数字。
  2. 并行处理改变长文档延迟曲线：短文档约 3.7 秒/页，中长文档降到约 0.5 秒/页。更关键的是——超过 16 页后，其他所有系统的延迟急剧爬升，而 Turbo 几乎不动，这对 100+ 页的企业文档（如合同、监管文件）是实质差异。
  3. 定位清晰：不是最便宜，也不是最准，是最快：LlamaIndex 明确建议用 Cost Effective 追求单位成本最优，用 Agentic 系列追求最高准确率，Turbo 则填补"延迟敏感"这个空白档。
  4. 实际落地场景典型：用户上传发票后字段实时回填、采购订单附件自动提取行项目、合同/理赔表单在 agent 下一工具调用前完成结构化——这些场景都要求 extraction 在秒级完成，不能成为 agent loop 的瓶颈。

核验过程

读过的官方来源：

  1. LlamaIndex 官方博客 — Introducing Turbo, our fastest extraction tier（https://www.llamaindex.ai/blog/introducing-turbo-our-fastest-extraction-tier） - 原文关键数据：4x faster than Cost Effective；median 3.7s/page（短文档）；~0.5s/page（中长文档，并行）；Value F1 0.84（ExtractBench）；35 credits/page；beta。 - 架构说明：移除独立 parse 步骤，直接并行抽取。 - 使用建议：Turbo 适合响应路径上的实时任务；后台批量任务用 Cost Effective；高准确率场景用 Agentic/Agentic Plus。

  2. LlamaIndex 开发者文档 — Configuring Extract / Performance Tips（https://developers.llamaindex.ai/typescript/cloud/llamaextract/features/performance_tips） - 补充确认：Turbo 直接准备文档本身而非运行单独 Parse 步骤，因此不产生 parse 输出（无 Markdown/plain text），只有 schema 要求的结构化结果。 - 定价确认：35¢/page（Premium all-in，无单独 parse 计费），比 Agentic 档位贵，适合追求速度不追求便宜。

  3. ExtractBench GitHub + 论文（https://github.com/run-llama/ExtractBench） - ExtractBench 覆盖 370 份企业文档（4,869 页），8 个业务领域，67 种文档类型，每种有独立 schema。 - 14 个系统参评：包含前沿 VLM、coding agent、专用抽取 API。 - 关键排名（综合 Value F1）：LlamaExtract Agentic Plus > LlamaExtract Agentic > Reducto Deep Extract > 其他。Turbo 本身未单独出现在公开 leaderboard（可能是该 tier 较新，基准收录时尚未发布）。 - 注：Turbo 的 Value F1 = 0.84 来自官方博客，未直接出现在 GitHub leaderboard 的公开表格中，标记为"原帖数据，待 ExtractBench 官方更新后确认"。

  4. ExtractBench 官方博客（https://www.llamaindex.ai/blog/introducing-extractbench） - 确认：数据集开源（HuggingFace），评测代码开源（GitHub），论文公开（arXiv），可复现。 - 基准设计亮点：同时评估长记录完整性、扫描件/手写、词级/页级 grounding 和实际成本，是目前最全面的 schema-guided 抽取基准。

交叉验证结论：

  • Jerry Liu 帖中"3-5x faster than all other comparable OCR solutions"与官方博客"4x faster than Cost Effective"说法一致，差异来自比较基准不同（前者泛指，后者精确比较同厂 tier）。
  • "equivalent or higher accuracy"——官方博客给出 Value F1 = 0.84，且明确高于 Cost Effective 档位；但未声称超越 Agentic。需注意此 claim 来自 LlamaIndex 官方，有商业动机，Accuracy 排名仍以 ExtractBench 公开结果为准。
  • 35 credits/page 价格与开发者文档一致。
  • 并行处理导致中长文档 ~0.5s/page 的说法来自官方博客，无第三方独立验证，但逻辑自洽（短文档必须串行解析每页，中长文档并行收益更大）。

上手步骤

前提条件

# 需要 LlamaCloud API Key
# 注册 https://cloud.llamaindex.ai（免费赠送一定额度）
export LLAMA_CLOUD_API_KEY="your-key-here"

API 调用（cURL）

curl -X POST 'https://api.cloud.llamaindex.ai/api/v2/extract?project_id={PROJECT_ID}' \
  -H 'Content-Type: application/json' \
  -H "Authorization: Bearer $LLAMA_CLOUD_API_KEY" \
  -d '{
    "file_input": "{FILE_ID}",
    "configuration": {
      "tier": "turbo",
      "data_schema": {
        "type": "object",
        "properties": {
          "vendor": {"type": "string"},
          "invoice_total": {"type": "number"}
        }
      }
    }
  }'

返回示例：

{
  "data": {
    "vendor": "Acme Industrial Supply",
    "invoice_total": 4820.00
  }
}

Python（LlamaIndex SDK）

from llama_index.llama_cloud import LlamaExtract, ExtractConfig, ExtractMode

# 使用 Turbo tier（beta）
extract = LlamaExtract()

result = await extract.aextract(
    data_schema={
        "type": "object",
        "properties": {
            "vendor": {"type": "string"},
            "invoice_total": {"type": "number"},
            "line_items": {
                "type": "array",
                "items": {
                    "type": "object",
                    "properties": {
                        "description": {"type": "string"},
                        "quantity": {"type": "number"},
                        "unit_price": {"type": "number"}
                    }
                }
            }
        }
    },
    files="./invoice.pdf",
    config=ExtractConfig(extraction_mode=ExtractMode.TURBO)  # 新增 TURBO 模式
)

选择正确 tier 的决策树

场景 推荐 tier 理由
实时用户响应（表单回填、订单提取） Turbo（beta） 3.7s/页，并行加速
批量后台任务，优先成本 Cost Effective <0.4¢/页
复杂文档/高准确率要求 Agentic / Agentic Plus Agentic Plus 登顶 ExtractBench
极复杂 schema + 扫描/手写 Agentic Plus 最高准确率

坑与适用边界

  1. Turbo 尚在 beta：支持的文件类型和配置选项少于其他 tier，生产使用前需查阅官方文档确认覆盖范围。
  2. 无中间 parse 输出：Turbo 不生成 Markdown/plain text，只返回 schema 约束的结构化 JSON。如果同时需要原文内容，不能用 Turbo——必须用 Cost Effective 或 Agentic。
  3. 价格高于 Agentic：35¢/页 vs Agentic Plus 8.1¢/页（ExtractBench 公开价格），Turbo 是溢价买速度，不适合成本敏感场景。
  4. 准确性不上不下：Turbo 准确率高于 Cost Effective 但低于 Agentic/Agentic Plus，适合"速度很重要但允许少量误差"的场景，不适合合规/法务级别的精确抽取需求。
  5. 长文档并行收益才明显：短文档（≤10 页）单页耗时 3.7 秒，与其他 tier 差距有限；超过 16 页并行效果才显著。如果总是处理短文档，速度优势缩水。
  6. ExtractBench 上尚未有 Turbo 独立排名：Value F1 = 0.84 来自官方博客，尚未在 GitHub leaderboard 公开标注。第三方独立评测缺失，准确性数字需等待社区验证。

一句话结论

Extract Turbo 用"去掉 parse 中间步骤 + 并行处理"的架构换来了 4 倍速提升，适合 extraction 处于用户响应路径上、不容许秒级延迟的 Agent 工作流；其准确率优于 Cost Effective 但低于 Agentic 系列，目前处于 beta，生产使用前请确认文档类型覆盖范围。

附录：ExtractBench 关键数据（供参照）

Tier Value F1（官方数据） 价格
Agentic Plus 46.43（综合） 8.1¢/页
Agentic 44.14（综合） ~相近
Turbo 0.84（Value F1） 35¢/页
Cost Effective 低于 Agentic <0.4¢/页

注：不同基准维度的 F1 不可直接跨行比较，Agentic Plus 的 46.43 为 Word-level grounding F1，Turbo 的 0.84 为 Value F1，含义不同。上表仅供参考，选 tier 应以实际业务 schema 测试为准。