你有沒有經歷過這樣的場景：財務同事拿著一份幾百頁的基金持倉明細，要一行行核對每一筆股票代碼和金額，核對到眼睛發花。或者保險理賠部門每天面對成堆的表格，有的字跡潦草得像醫生開的處方，還得從裡面挑出關鍵資訊填進系統。
這種活兒以前只能靠人力堆。現在大模型來了，企業都想讓AI agent接手這些工作，輸入一份文檔和一張"要提取什麼欄位"的清單，讓AI直接吐出結構化的數據。這件事有個專業說法，叫**模式引導抽取
**。
模式引導抽取*：給定一份文檔和用戶自定義的欄位模式（schema），系統需要嚴格按照這個模式，從文檔里抽出正確的值，並且要標明每個值是從文檔的哪個位置抽出來的。
這事聽起來不難，無非是"讀文檔，填表格"。但當你真正拿幾百頁掃描件、手寫表格、幾萬行的持倉清單去測試各家AI系統時，會發現一個挺讓人意外的現象：很多頂級的商業大模型，在長文檔上會悄悄"偷懶"——不是編造錯誤答案，而是乾脆漏掉一大截該抽取的記錄，然後自己渾然不覺。
這正是這篇論文要解決的問題。研究團隊做了一個叫ExtractBench的評測基準，專門用來撕開這層"看起來很智能"的表象，看看AI系統在真實企業場景下到底能不能扛住活。
現有的測試題為什麼不夠用
在這篇論文出現之前，業內已經有一些評測文檔抽取能力的基準了，但它們各有各的短板。
早期的基準比如SROIE、DocILE，測試的是"固定本體抽取"，說白了就是題目提前定好了，比如"收據識別"永遠只認那幾個固定欄位：商家名、金額、日期。這類基準測不出AI能不能理解一份全新的、用戶自己定義的複雜模式，因為現實中企業的需求千變萬化，不可能為每種文檔單獨訓練一個模型。
後來出現的幾個"模式引導"類基準，比如Contextual AI的ExtractBench（和這篇論文重名，但是完全不同的團隊做的兩件事）、Extend公司的LongArray、Micro1的LongExtract-50、VAREX，各自盯住了問題的一個側面。有的測試模式複雜度，但只覆蓋了五個共享模式；有的專注長列表的完整性，但公開的測試集只有幾十份文檔；還有的乾脆給每份文檔單獨配一個模式，這樣就沒法測試"同一套抽取任務能否在不同長相的文檔上穩定發揮"。
更關鍵的是，這些基準里，沒有一個同時具備四個條件：測試超長文檔的記錄完整性、包含真實的掃描件和手寫文檔、既測詞級又測頁級的定位精度、還把每頁的處理成本算進去。
這就好比考駕照，以前的考試要麼只在停車場裡繞樁，從不上真實馬路；要麼只考真實路況，但從不計算你加了多少次油、花了多少錢。ExtractBench想做的，是一場既有真實複雜路況、又要算總成本的完整考試。
這份考卷長什麼樣
ExtractBench這份"考卷"規模不小：370份文檔，總共4869頁，橫跨8個業務領域，67種文檔類型。
這些文檔不是隨便找來的。研究團隊特意選取了金融（基金持倉表）、能源（得州鐵路委員會的各種申報表）、政府採購與海關文件、汽車估值報告、供應鏈單據、醫療理賠單、法律破產文件、房地產結算單等八大類，每類都儘量貼近企業實際會遇到的文檔形態。
這份基準最巧妙的設計，是給每份文檔都打上了五套獨立的標籤，用來精確定位AI失敗的原因。
第一套是任務挑戰標籤，標註這份文檔"難在哪"。分為三類：長列表完整性（T1，考驗能不能把幾千行記錄一條不落地抓全）、大海撈針（T2，考驗能不能從一份很長的文檔里，精準挑出寥寥幾個真正要的欄位，而不被文檔里大量的相似干擾資訊帶偏）、密集文檔（T3，考驗能不能處理擠滿標籤、空格、勾選框、手寫筆跡的表單，而不會"腦補"出根本不存在的答案）。
第二套是感知挑戰標籤，標註這份文檔"是怎麼被拍下來的"。包括旋轉或純圖像掃描（P1）、普通掃描件（P2）、手寫筆跡（P3）。
第三套是表格結構標籤，專門盯著表格這個"重災區"。因為企業要抽取的大部分數據都活在表格里，從持倉明細到發票明細行，而表格失敗起來又特別隱蔽：一個系統可能把每個單元格里的值都讀對了，但拼裝出來的整體結構卻是錯的。這套標籤細分了合併表頭（S1）、表頭不在頂部的透視布局（S2）、跨頁表格（S3）、超大表格（S4，超過一千行）、單元格里塞進整張小表格（S5）。
第四套是文檔長度標籤，短（10頁以內）、中（11到50頁）、長（超過50頁）。
第五套是業務領域標籤，就是前面提到的八大行業分類。
為什麼要拆得這麼細？因為一個籠統的總分，根本沒法告訴你系統到底輸在哪裡。
這就像去醫院體檢，如果報告只給你一個"健康指數78分"，你完全不知道該看哪個科室；但如果報告拆成血壓、血糖、肝功能、心電圖分別評分，你就知道具體該找哪個醫生。ExtractBench做的正是這種"分科室體檢"，讓每一個低分都能追溯到明確的病因，而不是籠統地說"這個系統不太行"。
如果不這樣拆分標籤會怎樣？後果是你沒法診斷問題。比如一個系統在長文檔上表現差，你根本不知道是因為文檔太長導致的截斷，還是因為文檔里表格結構太複雜導致理解錯誤，還是因為手寫字跡讓OCR失效。這三種原因需要完全不同的解決方案，混在一起報一個總分毫無意義。
標準答案是怎麼來的：三條不同的流水線
要評測AI做得好不好，前提是你得先有一份"標準答案"，而且這份標準答案本身必須可靠。這事說起來簡單，做起來極其麻煩，尤其是當文檔又長又密的時候，人工逐字核對既慢又貴，而且如果只拿某一個AI系統的輸出當標準答案，那就等於讓考官抄襲了某個考生的答案卷，結果自然會偏向那個考生。
研究團隊針對三種不同來源的文檔，設計了三條不同的標準答案生產流水線。
**第一條流水線針對真實文檔。**
先由人工草擬一份候選模式，標明每個欄位該怎麼填，然後讓好幾個來自不同公司、不同技術路線的抽取系統同時跑一遍。如果所有系統在某個欄位上給出的答案完全一致（包括都認為該欄位是空的），這個值就直接被採納為候選標準答案。
如果各系統給出的答案不一致，這時候會啟動兩個獨立的編碼智能體去診斷分歧的原因：是模式描述本身寫得有歧義，導致大家理解不同；還是某幾個系統單純讀錯了。前者需要回頭修改模式描述，加上別名、格式要求、位置提示、"別和這個欄位搞混"的說明，直到重跑幾次結果收斂；後者則需要人工介入，對著原始文檔裁決誰對誰錯。
這個過程聽起來像不像多個法官交叉質證，然後由一個專家仲裁團隊去判斷哪些證詞是可信的、哪些需要重新調查？如果只讓一個法官（也就是單個AI模型）說了算，那這個法官自己的偏見和盲區就會原封不動地寫進判決書里。用多個獨立系統交叉驗證，本質上是用"系統間的分歧"作為一個信號，去揪出哪裡可能存在錯誤或者歧義，而不是簡單地相信某一方。
**第二條流水線針對超長的合成列表文檔。**
這類文檔太大了，比如一份基金持倉表動輒幾千行，人工標註既慢又容易看錯。研究團隊的做法很巧妙：反過來做，先把數據造出來，再把文檔"畫"出來。
具體流程是，先從一份真實的申報文件里提取記錄布局的模式（比如基金持倉表、破產債權人名單），然後生成完整的結構化內容（記錄、欄位、空值、合計數），再讓一個編碼智能體研究這份真實文檔的字體、欄位、頁面細節，寫出渲染代碼，把這些結構化內容"畫"成一份逼真的PDF。因為渲染是用測量後的實際尺寸來分頁的，而不是死板地規定"每頁多少行"，所以長記錄會自然占更多空間，標題也不會和它下面的條目脫節。
標準答案怎麼來？既然PDF是從已知的數據渲染出來的，那每個值的頁碼和文字框位置，直接從渲染過程里讀出來就行，天生精確，不需要人去標。最後再用機械檢查和多系統審計來抓渲染代碼里的bug。
這套方法的巧思在於順序倒過來了。你可以把它想像成拍電影時先寫好劇本再拍攝，演員說的每句台詞、站的每個位置都是提前設計好的，所以事後你可以精確地告訴觀眾"第37分鐘這句台詞是誰說的"，因為這本來就是照著劇本安排的，不需要有人事後逐幀去記錄。如果反過來，先有一部拍好的電影，再讓人去標註每句台詞的說話人，那工作量會呈幾何級數增長，而且還容易出錯。
**第三條流水線針對掃描表單。**
這是唯一一條完全靠人工逐字核對的流水線。因為表單往往涉及手寫字跡和模糊的勾選標記，機器難以獨立判斷，必須有人盯著看。
流程是先根據空白表單模板草擬模式並凍結，然後讓最多五個系統對每個欄位投票，有分歧的欄位交給一個必須先看原始頁面才能裁決的仲裁智能體處理，再由指定的流水線給每個欄位提出一個候選文字框位置，最後人工標註員逐一確認、修改、置空或者重新畫框。
最終產出了169份人工核實的文檔，其中84%的核實欄位帶有人工標註的定位框，剩下的大多是表單本身就是空白的欄位，壓根沒東西可框。
三條流水線的可信基礎各不相同：真實文檔靠多系統交叉一致，合成列表靠渲染過程本身的精確性，掃描表單靠人工核實。這也決定了哪些指標能在哪些文檔上測量，值的正確性到處都能測，但詞級定位精度只能在標註過的文檔上測。
怎麼評分：不只是對錯，還要看定位
評測抽取系統，光看"對不對"還不夠，還得看"能不能證明"。
這篇論文用的核心指標叫統一值F1，一句話解釋就是把每個抽取出來的輸出，拆解成一個個最小單元（每個標量欄位算一個，數組裡每條記錄的每個子欄位也各算一個），然後逐個比對是否和標準答案匹配，再用精確率、召回率、F1值來綜合衡量。
對於數組（比如一份持倉表里的多條記錄），比對方式很講究，因為記錄的順序未必和標準答案一致。這裡用的是一種叫匈牙利算法的最優匹配方法，把預測的記錄和標準答案的記錄做全局最優的一一配對，讓總的錯配數量最小。這就好比把一副打亂的撲克牌和一副排好序的撲克牌做比較，你不會死板地按位置去比第一張對第一張，而是先找出哪張牌該配哪張牌，再看整體配對下差了多少張。
值的比較也有歸一化規則，日期統一轉成ISO格式，字符串會合併多餘空格，但除此之外一律要求精確匹配，沒有數字容差，也不用大模型當裁判去"寬鬆判斷"。缺失值的處理也很關鍵，如果本該是空的欄位，系統正確返回了null，這算對；如果系統漏填了一個本該有值的欄位，這算錯，而且這個錯誤會同時拉低精確率和召回率。
除了值本身對不對，ExtractBench還專門測了溯源能力，也就是抽取出的每個值，是否能準確指向文檔里的原始位置。這裡用了兩級指標。
**詞級定位F1**要求預測的文字框和標準答案的文字框在IoU（交並比，衡量兩個矩形框重疊程度的指標，0.5表示重疊一半以上才算命中）達到0.5以上，而且對應的值必須正確，一個框得再准，如果值本身是錯的，也不算數。
**頁級定位F1**要求寬鬆一些，只要指對了頁碼就行，不需要精確到具體位置。
為什麼要分兩級？因為在真實審核場景里，光知道"答案大概在第37頁"和知道"答案就在這一行這幾個字"，審核效率是天壤之別。前者相當於告訴你"鑰匙在客廳"，你還得滿屋子翻；後者相當於直接告訴你"鑰匙在沙發第二個抱枕下面"。
十四個系統同台競技，結果出人意料
研究團隊一共測試了14個抽取系統，分成三大類。
第一類是商業VLM（視覺語言模型，能同時理解圖像和文字的大模型），把整份文檔當圖片餵給模型，讓它一次性生成結構化輸出，代表有GPT-5.4 Nano和Gemini 3.5 Flash，還有一些自己部署的開源模型。
第二類是編程智能體，代表是Claude Code Opus 4.8和Codex GPT-5.5。這類系統的工作方式更像一個真人程序員，它們可以查看文檔、寫代碼、跑一遍驗證、再修改，是一種反覆疊代的工具調用循環，而不是一次性生成答案。
第三類是專用抽取API，包括Reducto Deep Extract、Extend Max Context、Datalab，以及研究團隊自己的LlamaExtract（分成經濟版、智能體版、智能體增強版三個檔位）。這類系統是專門為文檔處理流程打造的託管服務。
結果最戳人的地方，在於長文檔上的表現分化。
Gemini 3.5 Flash在短文檔上準確率高達87.9%，看起來相當能打，但換成長文檔，直接掉到27.9%，幾乎腰斬再腰斬。這不是個別現象，幾乎所有一次性生成的商業VLM都出現了類似的斷崖式下跌。
反觀LlamaExtract Agentic Plus，短文檔96.6%，長文檔94.4%，幾乎沒有掉分。Claude Code Opus 4.8的表現也相對穩健，長文檔上還能保持88.1%。
這個數據說明了什麼？說明這些一次性生成的模型，本質上是"讀一遍就交卷"，一旦文檔長度超過它們能處理的上下文範圍，它們不會去想辦法分批讀、疊代補全，而是直接在某處"截斷"，然後自己都不知道漏了一大截。
用一個具體場景來體會這個差距。假如一份文檔里有100條記錄需要抽取，短文檔系統可能讀完全部100條只錯1條，看起來準確率99%，很唬人。但當記錄數變成1000條，如果系統在讀到第300條左右就"力竭"了，剩下700條記錄壓根沒被處理，那麼哪怕它把已經讀到的300條全部讀對了，實際召回率也只有30%左右。而這種失敗模式在整體F1分數上看，往往不如直接讀錯幾個數字來得直觀和顯眼，因為漏掉的記錄看起來就像"從來不存在"一樣安靜。
研究團隊專門做了精確率和召回率的拆分分析，發現商業VLM在長文檔上，精確率和召回率的差距（也就是論文裡叫的Δ值）能拉到57.2個百分點，比如Gemini 3.5 Flash在長文檔上精確率83.7%但召回率只有26.5%。這個巨大的落差直接印證了前面說的猜測：這些模型在遇到超長文檔時，"抓到的都對，但抓的太少"。
再看成本。LlamaExtract Agentic Plus每頁只要8.1美分，就拿到了全場最高的95.6%總體F1，而兩個編程智能體雖然也表現不錯（Claude Code 87.1%，Codex GPT-5.5 93.6%），但成本分別高達16.2和27.8美分每頁，是LlamaExtract Agentic Plus的兩到三倍還多。
換句話說，花更多錢不一定能買到更好的結果。這個發現有點反常識，因為大多數人的直覺是"貴的肯定好"，但論文用九個商業模型家族內部的對比進一步驗證了這個觀點：GPT系列從入門級Nano到旗艦版GPT-5.5，質量確實是單調上升的（74.9%到88.7%），但價格也從0.21美分暴漲到6.86美分，投入產出比在後半段急劇下降。而Gemini系列更誇張，從入門級到旗艦版價格漲了20多倍，質量卻幾乎原地踏步（79.6%到78.2%，甚至還微跌了）。Claude系列更是完全非單調，中間檔Sonnet反而比頂配Opus分數更高。
這告訴我們一件事：模型的檔位、價格標籤，和它實際抽取質量之間，並沒有你以為的那種線性關係。挑系統不能只看"貴不貴"，得看具體場景下的實測表現。
表格里的坑：超大表格是照妖鏡
在所有的挑戰維度里，表格結構里的"超大表格"這一項，最能把系統的真實水平篩出來。
論文數據顯示，面對超過一千行的巨型表格，幾乎所有商業VLM得分都掉到10%以下，Datalab和Extend Max Context也大幅下滑到32.7%和24.8%。而LlamaExtract Agentic Plus（95.9%）、Reducto Deep Extract（95.3%）、Claude Code Opus 4.8（87.8%）三家表現穩健。
這個反差說明什麼？說明面對超大表格，絕大多數系統的策略是"讀到哪算哪"，沒有一套系統性的策略去保證把表格從頭讀到尾。這就好比讓一個人抄寫一本電話簿，如果他沒有一個"抄完這頁翻下一頁，一直到最後一頁"的明確計劃，很容易抄到一半就以為完成任務了，然後停下來交卷。
跨頁表格（S3）是這個問題的溫和版本，難點變成了要在頁面斷裂的地方，把表格的連續結構給續上，很多系統在這裡也會掉鏈子。
而"透視布局"（表頭不在頂部，S2）反而是所有結構標籤里區分度最小的一個，因為大部分領先系統在這方面處理得都還不錯。
論文還專門指出，密集文檔（T3）里有一類特殊情況，叫"大模式"（T3.e），指的是模式本身超過150個葉子欄位的情況，比如W-2工資單、覆審版W-14表格、1040報稅表這類欄位極其繁多的文檔。結果顯示，有七個系統在這類文檔上得分低於50，很大程度是因為它們直接"拒絕"處理這麼大的模式，輸出為空。具體來說，Gemini對152個欄位的W-2表格乾脆不返回任何結果；Lift、Gemma4、Reducto、Extend對全部18份1040報稅表都返回空。但Codex GPT-5.5、Qwen3.6 35B-A3B以及全系列LlamaExtract都完整處理了每一份這類文檔，且得分都在80以上。
這說明模式大小本身也是一個系統的"能力天花板"，有些系統壓根撐不住太大的表格，這是一個實實在在的部署限制。
溯源能力：目前最大的短板
前面提到，ExtractBench不僅測值對不對，還測能不能溯源。這部分的結果，是整篇論文裡最讓人清醒的一塊。
先說一個基本事實：商業VLM和編程智能體，默認根本不返回任何來源證據。也就是說，無論Gemini、GPT還是Claude Code、Codex，抽取出來的值再准，你都沒法知道它是從文檔哪裡來的。它們在詞級和頁級定位上的得分都是0，沒有例外。
這意味著，如果你的業務需要"可審計"的抽取結果（比如財務審計、合規檢查這種必須讓人能追溯每個數字來源的場景），單純用這些模型是不夠的，必須額外接一個定位組件，或者乾脆換成專門支持定位的抽取API。
即便是支持定位的專用API，詞級定位和頁級定位之間也存在明顯落差。LlamaExtract Agentic Plus的頁級定位F1能到84.9%，相當不錯，但換成詞級定位，直接掉到46.4%，接近腰斬。Datalab的落差更懸殊，頁級48.5%對詞級僅有2.0%。
這說明什麼？說明"知道答案在哪一頁"這件事相對容易，但"精確指出答案在這一頁的哪個位置"要難得多。這就像有人告訴你錢包丟在了圖書館，這個資訊有用，但真正節省你時間的是有人直接告訴你錢包就在三樓靠窗那張桌子的第二格抽屜里。
而在長文檔場景下，這個落差還會進一步放大。Extend Max Context的頁級定位F1從短文檔的61.7%直接歸零，Datalab也是同樣的崩潰模式。相比之下，Reducto Deep Extract更穩健一些，從72.6%降到67.3%，而LlamaExtract Agentic Plus始終保持領先。
論文最後總結說，即便是表現最好的系統，詞級定位F1也只有46.4%。這意味著，讓AI準確抽取數值這件事，已經算是相對成熟的技術了，但讓AI可靠地把每一個數值和它的原始出處精確對應上，仍然是一個遠未解決的開放問題。
論文裡幾個具體案例，看得更清楚
論文附錄里給了幾個真實的對比案例，比抽象的分數表格更直觀。
有一個例子是一份被掃描降質處理過的破產服務清單，裡面有250個當事方、總共1457個值要抽取。研究團隊截取了前兩條記錄（8個欄位）做對比。LlamaExtract Agentic Plus全部8個值都抽對了，還成功定位了其中7個。而Lift 9B讀錯了姓名和地址，只對了3個；Codex GPT-5.5把郵箱地址里的空格都吞掉了，把"[email protected]"這種正常郵箱寫成了粘連的亂碼，只對了1個；Extend Max Context出現了兩處字符級的小錯誤，對了6個。
另一個例子是一份醫療理賠匯總單，裡面有三條理賠記錄和它們對應的服務明細行。GPT-5.4 Nano把表格的表頭文字當成了實際數據去抽取，這是一個挺典型的"把標籤當內容"的錯誤。Claude Code Opus 4.8則是漏填了所有的"允許金額"欄位。Datalab把理賠狀態錯誤地複製填進了本該留空的服務明細行狀態欄位里。
第三個例子是一份打字機打出來的得州鐵路委員會P-18表格，裡面的欄位大多靠虛線引導線對齊，而不是畫在規規矩矩的表格線里。Gemma4 26B把好幾個沿著虛線排列的數值整體"錯位"下移了一行；Codex GPT-5.5把地名短語錯誤地合併進了城鎮名和郡名欄位；Datalab乾脆漏掉了處置井名稱和許可證號這兩個欄位。
這些案例說明，AI在處理非標準排版、字符間距不規律、表頭與內容錯位這些"看起來簡單實則暗藏陷阱"的版式時，仍然會犯一些讓人哭笑不得的錯誤，而這些錯誤往往在總分層面很難被看出來，只有拆到具體欄位才能發現問題所在。
這項研究給我們的啟示
回過頭看，這篇論文最重要的貢獻，其實不是"評出了誰最強"，而是提供了一套能精確定位問題原因的診斷工具。
三年前，學術界評價一個抽取系統好不好，往往就是給一個籠統的準確率數字。但這篇論文告訴我們，同一個系統在短文檔上可能考94分，換成超大表格立刻跌到個位數，中間的落差資訊，如果不做細粒度拆分，是完全看不出來的。
對於企業來說，這個啟發是實際的。假如你正打算給公司引入一套AI文檔處理系統，光看廠商宣傳的"整體準確率95%"是不夠的，你得先弄清楚自己的文檔屬於哪種挑戰類型，是長列表、還是密集表單，還是需要在長文檔里精準挑出幾個關鍵欄位，再針對性地去看對應場景下的實測表現。
這篇論文之後，這個方向大概率還會繼續細化。比如更早的Extend LongArray關注的是長數組的記錄完整性，Micro1的LongExtract-50關注長統計報告，而ExtractBench把這些拆開的維度第一次系統性地拼到了一起，同時納入了成本這個變量。可以預見，接下來的評測基準會進一步往"精細定位+成本敏感+多模態融合"的方向去演進，因為企業最終要的從來不是一個漂亮的準確率數字，而是一個既准又便宜又能審計的系統。
寫在後面
讀到那個詞級定位F1隻有46.4%的數字時，我停下來想了一會。這意味著即便是這場評測里表現最好的系統，讓它去證明"這個數字確實是從文檔這個位置抽出來的"，也有超過一半的機會指錯地方。這和我們平時對AI"越來越聰明"的直覺有點錯位，抽取值本身這件事似乎已經被解決得相當好了，但"證明我為什麼這麼說"反而成了更難的那道題。
這讓我想起一個類似的現象：很多時候，得出正確答案和解釋清楚推理過程，其實是兩種完全不同的能力，前者靠模式匹配就能做到，後者需要真正理解結構和上下文的關聯。AI在文檔抽取上似乎也走到了這個分岔口。
還有一個細節值得單獨說一說：論文裡提到，長文檔場景下精確率和召回率的落差能拉到57個百分點，也就是說很多模型"說對的都對，但說得太少"。這種失敗方式很安靜，它不會報錯，不會輸出亂碼，只是悄悄地少交了一部分答案。而這恰恰是最危險的一種失敗，因為它不會觸發任何警報，直到某個審計的人發現少了一筆賬。
如果這套評測標準能推廣開，下一個值得追問的問題是：當系統學會了在長文檔里穩定定位每一個值的來源之後，人類審核員在這個流程里還剩下什麼工作？
Q&A
Q1：ExtractBench是什麼？
A：ExtractBench是一個專門評測AI系統"模式引導抽取"能力的基準測試集，包含370份企業真實文檔、4869頁內容，覆蓋8個業務領域和67種文檔類型，同時測量抽取準確率、來源定位能力和處理成本。
Q2：為什麼商業大模型在長文檔上表現會大幅下降？
A：因為這些模型大多是一次性讀完文檔就交卷，沒有分批處理或反覆核對的機制，一旦文檔超出它們能穩定處理的長度範圍，就會在某處悄悄截斷，漏掉後面大量記錄，而且系統自己不會發現這個問題。
Q3：花更多錢用更貴的AI模型，抽取效果一定更好嗎？
A：不一定。論文測試發現，LlamaExtract Agentic Plus花8.1美分每頁就拿到了全場最高的95.6%準確率，反而比價格是它兩三倍的編程智能體表現更好，說明價格和效果之間並不是簡單的正比關係。
