Nemotron Parse 2.0 เทียบกับ MinerU: ผู้ท้าชิงที่ไม่ได้ประกาศ เทียบกับค่าเริ่มต้นโอเพนซอร์ส

NVIDIA-Nemotron-Parse-2.0 และ MinerU แก้ปัญหาเดียวกันจากทิศทางที่ตรงกันข้าม ทั้งคู่รับหน้าทีสแกนหรือหน้าเรนเดอร์มา แล้วส่งคืน markdown ที่สะอาดและมีโครงสร้าง พร้อมตาราง สูตร และลำดับการอ่านที่คงไว้ครบถ้วน แต่ MinerU เป็นตัวเลือกโอเพนซอร์สเริ่มต้น — ดาวบน GitHub หลายหมื่นดวง ใบอนุญาต Apache-2.0 และ API โฮสต์พร้อมโควตาฟรีรายวัน เป็นตัวเลือกแรกที่ปลอดภัยซึ่งทีมงานเอกสารส่วนใหญ่เลือกใช้ Nemotron Parse 2.0 กลับตรงกันข้ามกับความมั่นคง: มันปรากฏบน Hugging Face เมื่อวันที่ 3 สิงหาคม 2026 NVIDIA ยังไม่ออกประกาศใด ๆ และโมเดลการ์ดของมันมีชุดข้ออ้างด้าน benchmark ที่ถ้าเป็นจริง จะเป็นเรื่องใหญ่ที่สุดที่เกิดขึ้นกับการแยกวิเคราะห์เอกสารโอเพนซอร์สในปีนี้ การจับคู่นี้ตั้งใจให้ไม่สมดุล — ผู้ครองตลาดกับผู้ท้าชิงที่ไม่ได้ประกาศ — และคำถามทั้งหมดคือ แต่ละฝ่ายนำเสนอสิ่งที่คุ้มค่าจริงแค่ไหน

ที่จริงแล้วแต่ละฝ่ายคืออะไร

MinerU คือระบบแยกวิเคราะห์เอกสารแบบครบวงจรจาก OpenDataLab กลุ่มข้อมูลที่อยู่เบื้องหลังการเผยแพร่โอเพนซอร์สของ Shanghai AI Laboratory รุ่นเรือธงปัจจุบันคือ {{1}}MinerU 2.5-Pro{{/1}} ซึ่งเป็นโมเดลวิ Sprache วิทัศน์และภาษา (vision-language model) ขนาด 1.2B ในสายรุ่นย่อย 2604/2605 ({{2}}รุ่น 2604 เปิดตัวในเดือนเมษายน 2026{{/2}} {{3}}ตามด้วยรุ่นรีเฟรช 2605{{/3}} ภายหลัง) ระบบนี้ทำงานบนเอนจินสองขั้นตอน นั่นคือ {{4}}การวิเคราะห์โครงร่างโดยรวมในระดับกว้าง{{/4}} {{5}}ตามด้วยการจดจำแบบเจาะจงบนภาพครอบตัดความละเอียดต้นฉบับ{{/5}} และโปรเจกต์นี้ครอบคลุมการนำเข้าไฟล์ PDF, DOCX, PPTX และ XLSX {{6}}การตรวจจับโครงร่าง{{/6}} {{7}}การรู้จำสูตรและตาราง{{/7}} {{8}}รวมถึงการจัดเรียงลำดับการอ่านใหม่{{/8}} ถือเป็นตัวแยกวิเคราะห์โอเพนซอร์สอ้างอิงสำหรับการประมวลผลล่วงหน้าในงาน RAG และมีชุมชนผู้ใช้จำนวนมากที่ยืนยันถึงคุณภาพนี้

Nemotron Parse 2.0 เป็นวิทัศน์-เอ็นโคเดอร์-ดีโคเดอร์ขนาด 0.9B จาก NVIDIA ในตระกูลเดียวกับ NVIDIA-Nemotron-Parse-v1.2 ซึ่งเปิดตัวในเดือนกุมภาพันธ์ 2026 โดยใช้วิทัศน์เอ็นโคเดอร์ ViT-H ที่สร้างบนแบ็คโบน C-RADIOv2 ของ NVIDIA และดีโคเดอร์สไตล์ mBART สิบชั้น หน้าอินพุตมีขนาดสูงสุด 2048×1664 พิกเซล การสร้างเอาต์พุตมีเพดานสูงสุด 9,000 โทเคน และให้ผลลัพธ์แบบมีโครงสร้างเดียวกันกับ MinerU: มาร์กดาวน์หรือข้อความธรรมดา พร้อมตารางในรูปแบบ LaTeX, HTML, มาร์กดาวน์, JSON, JSON แบบลำดับชั้น หรือ CSV ประกอบด้วยคลาสเลย์เอาต์ กล่องขอบเขต และลำดับการอ่าน รีโพมีความสมบูรณ์ครบถ้วน ทั้งคอนฟิก Dockerfile ชุดทดสอบพร้อมผลลัพธ์อ้างอิง (golden outputs) แต่ NVIDIA ยังไม่ได้โปรโมต ไม่มีแพคเกจ NIM และไม่มีผู้ให้บริการอินเฟอเรนซ์รายใดโฮสต์โมเดลนี้ การโฮสต์ด้วยตนเองจึงเป็นทางเลือกเดียวในปัจจุบัน

เรื่องราวของราคา: "ฟรี" หมายถึงสองสิ่งที่แตกต่างกัน

ความแตกต่างเชิงปฏิบัติที่ใหญ่ที่สุดคือ MinerU เรียกใช้ได้ฟรี ในขณะที่ Nemotron Parse 2.0 ฟรีแค่การรันเท่านั้น API อย่างเป็นทางการของ MinerU ที่ mineru.net มีโควตาฟรีรายวัน — ประมาณ 1,000 หน้าลำดับความสำคัญสูงต่อวัน ขึ้นอยู่กับโปรโมชันปัจจุบัน — โดยไม่มีค่าใช้จ่ายต่อการเรียกใช้ภายในโควตา และรองรับไฟล์สูงสุด 200 หน้าต่อไฟล์ เมื่อเกินโควตา งานจะถูกลดลำดับความสำคัญแทนที่จะถูกเรียกเก็บเงิน และผู้ให้บริการเชิงพาณิชย์คิดราคาโมเดลที่โฮสต์ด้วยตัวเองประมาณหนึ่งในสิบเซนต์ต่อหน้า หากไปป์ไลน์ของคุณต้องการหลายพันหน้าต่อวันและคุณไม่อยากดูแลระบบใดๆ MinerU มีหนทางที่แทบไม่มีค่าใช้จ่าย

Nemotron Parse 2.0 ไม่มีเส้นทางแบบนั้น น้ำหนักโมเดลให้ใช้งานฟรีภายใต้ NVIDIA Open Model License แต่บัตรข้อมูลโมเดลระบุว่าไม่ได้ถูกใช้งานโดยผู้ให้บริการ inference รายใด และ NVIDIA ก็ยังไม่ได้ตั้งราคาหรือประกาศบริการแบบโฮสต์ การจะใช้ต้องเช่าหรือมี GPU เป็นของตัวเอง ตั้งค่า Transformers หรือ vLLM ที่รองรับโค้ดระยะไกลของ Nemotron Parse และจัดการกับปัญหาการติดตั้งด้านล่าง สำหรับโปรเจกต์ที่มีปริมาณน้อย นี่คือต้นทุนที่แท้จริง — GPU มีราคาแพงกว่าการใช้ API ฟรีในระดับไม่กี่ร้อยหน้าต่อเดือนอย่างมาก สำหรับทีมที่มีโครงสร้างพื้นฐาน GPU อยู่แล้ว การได้น้ำหนักโมเดลฟรีถือเป็นข้อได้เปรียบอย่างแท้จริง คำถามคือค่าใช้จ่ายในการดำเนินงานนั้นคุ้มกับสิ่งที่โมเดลอ้างว่าจะเพิ่มหรือไม่

ช่องว่างของเกณฑ์มาตรฐาน: ตัวเลขเหล่านี้ไม่ได้เผชิญหน้ากัน

นี่คือส่วนที่การเปรียบเทียบส่วนใหญ่พลาดอย่างเงียบ ๆ ดังนั้นขอพูดให้ชัดเจน การ์ดของ Nemotron Parse 2.0 รายงานเกณฑ์ชี้วัดสี่รายการ: ParseBench โดยรวมที่ 0.6391 (เพิ่มขึ้นจาก 0.5782 ของ v1.2), MOSCAR OCR หลายภาษาที่ 0.9102 BoC F1 (เพิ่มขึ้นจาก 0.4410), IndicVisionBench ที่ 0.7203 ANLS-character (เพิ่มขึ้นจาก 0.0612) และชุดย่อยการเขียนด้วยลายมือของ OmniDocBench ที่วัดเป็นระยะทางแก้ไขข้อความ (text-edit distance) ซึ่งดีขึ้นจาก 0.9739 เป็น 0.3395 MinerU 2.5-Pro รายงานชุดที่แตกต่าง: คะแนนรวม OmniDocBench v1.6 ที่ 95.69 — เป็นผลลัพธ์ที่ล้ำสมัย สูงกว่าโมเดลที่ใหญ่กว่ามาก — รวมถึง 97.29 สำหรับการแยกวิเคราะห์สูตรหนาแน่น และระยะทางแก้ไขข้อความ 0.036 จากการรัน OmniDocBench ของตัวเอง

ทั้งสองโมเดลใช้ชื่อเดียวกันว่า "OmniDocBench" ซึ่งทำให้ดูเหมือนเทียบเคียงกันได้ แต่ตัวชี้วัดกลับไม่เหมือนกัน {{1}}NVIDIA รายงานเฉพาะชุดย่อยที่เขียนด้วยลายมือเป็นระยะห่างการแก้ไข (edit distance){{/1}} {{2}}ส่วน OpenDataLab รายงานเป็นค่าผสมโดยรวมบนเวอร์ชันเกณฑ์มาตรฐานที่ต่างกัน{{/2}} {{3}}ParseBench เป็นชุดทดสอบของ NVIDIA เอง และไม่มีรายการของ MinerU อยู่{{/3}} {{4}}MOSCAR และ IndicVisionBench ก็ไม่มีรายการของ MinerU เช่นกัน{{/4}} {{5}}ตัวเลขทุกค่าทั้งสองฝ่ายล้วนเป็นข้อมูลที่ผู้พัฒนารายงานเอง และไม่มีโมเดลใดเลยที่มีผลการทดสอบจากบุคคลที่สามโดยอิสระที่เผยแพร่แล้วซึ่งปรากฏร่วมกันบนเกณฑ์มาตรฐานเดียวกัน{{/5}} {{6}}ดังนั้นในตอนนี้ยังไม่มีตัวเลขที่เปรียบเทียบกันได้โดยตรงซึ่งจัดอันดับ Nemotron Parse 2.0 เทียบกับ MinerU — ใครก็ตามที่บอกว่าโมเดลหนึ่ง "ชนะ" ในการเปรียบเทียบเกณฑ์มาตรฐาน กำลังอนุมานขยายผลจากการทดสอบคนละชุดกัน{{/6}} {{7}}สิ่งที่พอจะกล่าวได้ในเชิงแนวโน้ม: ข้อกล่าวอ้างของ MinerU โตเต็มที่และผ่านการใช้งานจากชุมชนมานานหนึ่งปี{{/7}} {{8}}ส่วนข้อกล่าวอ้างของ Nemotron Parse 2.0 ยังใหม่ ยังไม่ผ่านการตรวจสอบ และ — หากการก้าวกระโดดของ MOSCAR และ IndicVision ของมันเกิดขึ้นจริง — จะเป็นเรื่องใหญ่สำหรับการแยกวิเคราะห์หลายภาษาโดยเฉพาะ{{/8}}

ตรงที่ทั้งสองแตกต่างกันเมื่อทำงานกับเวิร์กโหลดจริง

วางเกณฑ์มาตรฐานไว้ก่อน ความแตกต่างที่ปรากฏในไปป์ไลน์จะเกี่ยวกับขอบเขต ความหน่วง และการรองรับหลายภาษา

• ขอบเขตอินพุต — MinerU รองรับไฟล์ PDF เต็มรูปแบบสูงสุด 200 หน้าต่อไฟล์ผ่าน API และรวมตารางข้ามหน้า; Nemotron Parse 2.0 รับภาพหน้าเดียวสูงสุด 2048×1664 ต่อการเรียกใช้ ดังนั้นเอกสาร 200 หน้าจึงต้องใช้ 200 คำขอ หากอินพุตของคุณเป็น PDF นั่นคือความแตกต่างของเวิร์กโฟลว์ก่อนที่จะพิจารณาเรื่องความแม่นยำ

• วุฒิภาวะด้านการให้บริการ — MinerU มาพร้อมกับแบ็กเอนด์ vLLM และ SGLang ที่มีปริมาณงานเผยแพร่ (ประมาณ 2 หน้าต่อวินาทีบน A100 ตัวเดียวผ่าน async engine) ตัวรัน Docker และ API แบบโฮสต์ เรื่องการให้บริการของ Nemotron Parse 2.0 ยังใหม่อยู่และเต็มไปด้วยอุปสรรค: vLLM ต้องการการรองรับรีโมตโค้ด และบนฮาร์ดแวร์ A100/A10 ต้องใช้แบ็กเอนด์ attention ของ Triton; โทเคไนเซอร์มาพร้อมกับ tokenizer.json ที่ถูกซีเรียลไลซ์ซึ่งมีการแพดฝังในตัวถึง 9,000 โทเคน ซึ่งสแตกการให้บริการหนึ่งพบว่าพรอมปต์ 6 โทเคนขยายกลายเป็น 54,000 token IDs; และในรีโพยังมีแพตช์รันไทม์สำหรับบิลด์ vLLM ที่ไม่รองรับ tied output head ไม่มีอะไรที่แก้ไม่ได้ แต่ก็เป็นความเสียดทานจริง ๆ

• หลายภาษา — นี่คือจุดที่ Nemotron Parse 2.0 โดดเด่นที่สุด การอัปเดตเวอร์ชัน 2.0 ขยายคำศัพท์จากประมาณ 52,000 เป็น 72,000 โทเคน โดยเฉพาะสำหรับ OCR หลายภาษา และผลลัพธ์ที่อ้างว่าได้มานั้นกระจุกตัวอยู่ตรงนั้น: MOSCAR เพิ่มขึ้นจาก 0.44 เป็น 0.91 และ IndicVisionBench (ภาษาเบงกาลี ฮินดี ทมิฬ และอีกเจ็ดสคริปต์อินดิก) เพิ่มขึ้นจาก 0.06 เป็น 0.72 MinerU รองรับ 109 ภาษาเป็นฟีเจอร์เด่น แต่หลักฐานของมันคือผลรวม OmniDocBench ไม่ใช่การแยกย่อยตามสคริปต์ หากคลังข้อมูลของคุณหนักไปทางสคริปต์อินดิกหรือสคริปต์ที่มีทรัพยากรต่ำ ตัวเลขของ Nemotron Parse 2.0 คือข้ออ้างที่น่าสนใจกว่าที่จะทดสอบ — และยังเป็นข้ออ้างที่ได้รับการตรวจสอบโดยอิสระน้อยที่สุดอีกด้วย

• ลายมือ — ความเปลี่ยนแปลงที่ใหญ่ที่สุดเพียงหนึ่งเดียวบนการ์ดของ NVIDIA คือลายมือ: ระยะการแก้ไข (edit distance) ในชุดย่อยบันทึกของ OmniDocBench ลดลงจาก 0.97 เป็น 0.34 ส่วนค่า text-edit distance 0.036 ของ MinerU นั้นมาจากการรัน OmniDocBench ทั้งหมด ไม่ใช่ชุดย่อยลายมือ ดังนั้นตัวเลขทั้งสองจึงไม่ได้เปรียบเทียบกันโดยตรงอีกครั้ง แต่บันทึกที่เขียนด้วยลายมือเป็นโหมดความล้มเหลวคลาสสิกสำหรับทั้งคู่ และนี่คือจุดเดียวที่การปรับปรุงที่อ้างของ Nemotron Parse 2.0 ใหญ่พอที่จะทดสอบโดยตรงบนหน้าของคุณเอง

ใครควรเลือกอันไหน

เลือก MinerU หากคุณต้องการ parser ที่ใช้งานได้ทันที: มีระดับฟรีรายวัน บริการที่เติบโตเต็มที่ รองรับอินพุต PDF เต็มรูปแบบ ใบอนุญาต Apache-2.0 ที่ไม่ต้องมีการตรวจสอบการปฏิบัติตามข้อกำหนด และชุมชนขนาดใหญ่ที่คำตอบสำหรับคำถามเกี่ยวกับการตั้งค่ามีอยู่แล้ว มันเป็นค่าเริ่มต้นด้วยเหตุผล และสำหรับงานประมวลผลล่วงหน้า RAG ส่วนใหญ่แล้ว มันคือตัวเลือกที่มีความเสี่ยงต่ำกว่า

เลือก Nemotron Parse 2.0 หากคุณคุ้นเคยกับการโฮสต์โมเดลด้วยตนเองอยู่แล้ว — โดยเฉพาะอย่างยิ่งหากคุณอยู่ในฝั่ง NVIDIA NIM หรือ NeMo เนื่องจาก v1.2 ให้บริการในรูปแบบ NIM และ 2.0 ดูเหมือนจะเป็นรุ่นถัดไป — และหากเรื่องภาษาหลายภาษาหรือลายมือเขียนเป็นสิ่งที่คลังข้อมูลของคุณต้องการโดยเฉพาะ การทดสอบช่วงสุดสัปดาห์บนหน้าเว็บภาษา Indic หรือหน้าที่มีบันทึกหนาๆ ของคุณเองจะให้ข้อมูลมากกว่าตาราง benchmark ใดๆ เพราะข้อกล่าวอ้างเหล่านั้นจะได้รับการพิสูจน์หรือพังทลายลงเมื่อเจอข้อมูลอิสระ เพียงแต่อย่าวางแผนเส้นทางการผลิตโดยอิงกับโมเดลที่ยังไม่ประกาศอย่างเป็นทางการ จนกว่าคุณจะได้ทดสอบและยืนยันแล้วว่า tokenizer และลักษณะเฉพาะของการให้บริการนั้นได้รับการจัดการในสแตกของคุณแล้ว

เหตุใดตัวแยกวิเคราะห์จึงไม่ใช่ต้นทุนเพียงอย่างเดียวในไปป์ไลน์

ไม่ว่าคุณจะเลือกอะไร parser มักจะเป็นขั้นตอนที่ถูกที่สุดในไปป์ไลน์เอกสารเมื่อปริมาณงานมีจริง ขั้นตอนที่แพงคือ LLM ที่เปลี่ยนมาร์กดาวน์ที่แยกวิเคราะห์แล้วให้เป็นบทสรุป บันทึกที่มีโครงสร้าง หรือคำตอบ — และนั่นคือขั้นตอนที่ชั้นการกำหนดเส้นทางเปลี่ยนสมการต้นทุน OrcaRouter นำโมเดล 200+ รายการมาไว้เบื้องหลัง API เดียว ในราคารายการของผู้ให้บริการโดยไม่มีส่วนเพิ่ม ดังนั้นการลดราคาจากผู้ขายจึงมีผลทันทีในวันที่ประกาศ และการเฟลโอเวอร์อัตโนมัติหมายความว่าผู้ให้บริการรายเดียวที่ประสิทธิภาพลดลงจะไม่ทำให้งานสกัดข้อมูลทั้งหมดหยุดชะงัก พูดให้เป็นรูปธรรม: คุณสามารถทดสอบข้อกล่าวอ้างด้านการรู้จำลายมือของ Nemotron Parse 2.0 เทียบกับ MinerU บนคลังข้อมูลของคุณเอง โดยไม่ต้องผูกสแต็กโมเดลปลายน้ำของคุณกับ parser ตัวใดตัวหนึ่ง เพราะการสลับ parser และชั้น LLM แยกออกจากกัน เราไม่ได้โฮสต์ parser ตัวใดตัวหนึ่งในตอนนี้ — Nemotron Parse 2.0 เป็นโมเดลที่โฮสต์เอง และ MinerU ทำงานบนบริการของตัวเอง — แต่ชั้นการกำหนดเส้นทางบนขั้นตอน LLM นี่เองที่ทำให้การตัดสินใจเลือก parser ไม่กลายเป็นการตัดสินใจที่ผูกติดกับผู้ให้บริการ

บรรทัดล่าง

MinerU คือตัวเลือกเริ่มต้นที่สมเหตุสมผล: โตเต็มที่ เรียกใช้ฟรีในระดับเล็ก มีใบอนุญาตแบบผ่อนปรน และพิสูจน์แล้วในงานผลิต Nemotron Parse 2.0 คือตัวเก็งที่น่าสนใจ: โมเดล NVIDIA ขนาด 0.9B ที่ปล่อยออกมาเงียบๆ เมื่อห้าวันก่อน ซึ่งการ์ดข้อมูลอ้างว่ามีการก้าวกระโดดครั้งใหญ่ในด้านหลายภาษาและลายมือ แต่ยังไม่มีใครตรวจสอบโดยอิสระ หากคุณแยกวิเคราะห์เอกสารเทคนิคภาษาอังกฤษเป็นส่วนใหญ่ในปริมาณมาก MinerU คือคำตอบ และความเสี่ยงของ Nemotron Parse 2.0 ไม่คุ้มค่า หากคุณแยกวิเคราะห์อักษรอินดิกหรืออักษรที่มีทรัพยากรน้อย หรือบันทึกที่เขียนด้วยมือ ข้อกล่าวอ้างก็ใหญ่พอ — และน้ำหนักโมเดลก็ฟรีพอ — ที่การทดสอบด้วยตัวเองก็ทำได้ไม่แพง การที่ NVIDIA ปล่อย parser ใหม่ประมาณทุกไตรมาส (v1.1 ในพฤศจิกายน 2025, v1.2 ในกุมภาพันธ์ 2026, 2.0 ตอนนี้) บ่งชี้ว่าอาจมีการประกาศในเร็วๆ นี้; จนกว่าจะถึงตอนนั้น ให้ถือว่าตัวเลขของ 2.0 เป็นเพียงแนวทาง และทดสอบกับคลังข้อมูลของคุณเอง

คำถามที่พบบ่อย

Nemotron Parse 2.0 มีให้ใช้งานผ่าน API ใดๆ หรือไม่

ไม่ใช่ผ่านแบบโฮสต์ การ์ดของ Hugging Face ระบุว่าโมเดลนี้ไม่ได้ถูกปรับใช้โดยผู้ให้บริการ inference ใด ๆ และ NVIDIA ยังไม่ได้ประกาศแพ็กเกจ NIM หรือราคาสำหรับมัน ณ ต้นเดือนสิงหาคม 2026 วิธีเดียวที่จะรันได้คือโฮสต์ weights ด้วยตัวเองผ่าน Hugging Face Transformers โดยใช้ trust_remote_code หรือผ่าน vLLM build ที่รองรับ remote-code ของ Nemotron Parse ในทางตรงกันข้าม MinerU มี API อย่างเป็นทางการพร้อมโควตาหน้าฟรีรายวัน

โมเดลใดดีกว่าสำหรับการประมวลผลล่วงหน้า RAG?

สำหรับ{{1}}ไปป์ไลน์ RAG ทั่วไป{{/1}} — {{2}}เอกสารทางเทคนิคภาษาอังกฤษและกลุ่มภาษา CJK ตาราง และเลย์เอาต์แบบผสม{{/2}} — MinerU คือ{{3}}ตัวเลือกที่ปลอดภัยกว่าและผ่านการพิสูจน์มาแล้วมากกว่า{{/3}}: {{4}}รองรับไฟล์ PDF ทั้งฉบับ รวมตารางข้ามหน้า มีระบบ serving ที่สมบูรณ์ และไม่มีค่าใช้จ่ายในระดับการใช้งานขนาดเล็กผ่าน free tier{{/4}}. Nemotron Parse 2.0 จะกลายเป็น{{5}}ตัวเลือกที่ถูกต้อง{{/5}}ก็ต่อเมื่อคลังเอกสารของคุณมี{{6}}อักษรอินดิกหรือภาษาที่มีทรัพยากรน้อย บันทึกที่เขียนด้วยมือ หรือหน้าที่เน้นแผนภูมิ{{/6}}เป็นจำนวนมาก ซึ่งเป็นจุดที่{{7}}ข้อได้เปรียบที่อ้างไว้กระจุกตัว{{/7}} — และแม้กระนั้น {{8}}คุณควรตรวจสอบกับเอกสารของคุณเองก่อนตัดสินใจใช้{{/8}}

ตัวเลข benchmark บนการ์ดโมเดลทั้งสองตัวเปรียบเทียบกันได้โดยตรงหรือไม่

ไม่ Nemotron Parse 2.0 รายงาน ParseBench (ชุดทดสอบของ NVIDIA เอง), MOSCAR, IndicVisionBench และชุดย่อยลายมือของ OmniDocBench เป็นค่า edit distance ส่วน MinerU 2.5-Pro รายงานค่าคอมโพสิตโดยรวมของ OmniDocBench v1.6 พร้อมเมตริกสูตรและเมตริก text-edit ชื่อเบนช์มาร์กที่ซ้ำกันไม่ใช่เมตริกเดียวกัน ไม่มีการรันแบบอิสระที่นำทั้งสองโมเดลไปวัดบนชุดทดสอบเดียวกัน และทุกตัวเลขบนการ์ดทั้งสองเป็นการรายงานจากฝั่งผู้ผลิตเอง จึงควรถือว่าเป็นเพียงทิศทางบ่งชี้ ไม่ใช่ค่าที่เทียบเคียงกันโดยตรง