Karpathy：PDF 转换仍是难题，需要 SOTA LLM 作为 Skill 才能做好

核心要点

2026年4月9日，OpenAI联合创始人、著名AI教育家Andrej Karpathy在X平台（原Twitter）发文透露，他在测试一份245页PDF文档的转换任务时遭遇严重错乱。Karpathy的核心论断是：PDF转换是一个极高难度的技术问题，现有的通用程序方案表现欠佳，必须将PDF解析能力内化为 SOTA（State-of-the-Art）大模型的原生技能（Skill），才能获得可用的转换质量。这一判断将PDF转换问题从「工程实现」层面提升至「模型能力设计」层面，对当前大模型的能力边界讨论具有风向标意义。

原文 + 中文翻译

原文："Tested a 245-page PDF conversion and the results were severely scrambled. The problem is that PDF conversion is extremely hard, and needs to be a skill of a SOTA model rather than a regular program."

翻译：「测试了一个245页PDF的转换任务，结果严重错乱。问题在于PDF转换极其困难，需要作为 SOTA 模型的技能（Skill），而不是一个普通程序来实现。」

深度解读

为什么这则发言值得关注

Karpathy并非随口发表感想的技术博主，他是深度学习领域的核心人物之一，曾主导 OpenAI 早期研究、编写过流传极广的神经网络教程，并创办了 AI 教育平台 DeepLearning.ai。他的每一句话都在社区中被反复引用，也因此他的判断往往具有「行业校准」功能——当Karpathy明确指出某个任务「极难」并给出解决路径时，意味着这个问题在工业界已经被高频撞墙，值得重新审视技术路线。

PDF 转换为何是「极端困难」任务

PDF 文件格式的核心设计哲学是「所见即所得」（WYSIWYG）而非语义结构化。一个 PDF 文档内部存储的是字符坐标、字体信息、渲染指令的碎片化堆叠，而非 HTML 那样的树形语义标签。这意味着传统程序在解析 PDF 时，必须面对：无结构层次（无标题/段落/列表语义）、表格合并单元格与跨页、图文混排与浮动元素、扫描件OCR需求、多语言混合排版等挑战。245页的长文档中，这些问题相互叠加，任何单一规则引擎都难以穷举所有边界情况。

从「程序」到「模型技能」范式转变的产业含义

Karpathy建议将 PDF 解析能力构建为 LLM 的原生 Skill，这一思路与当前 Agent 架构演进高度契合。传统做法是外部 OCR + 规则后处理管线，而新范式是让模型直接理解页面视觉布局与文本语义。GPT-4o、Gemini 1.5 Pro 等多模态模型已展示了「视觉理解」能力，理论上可以直接读取 PDF 页面图像而非解析底层字节。然而实际操作中，上下文窗口限制（245页远超单次 context 上限）、长程一致性（跨页指的代词消解、章节引用）、视觉 token 成本仍是瓶颈。

这一判断还暗示了「Skill economy」的加速成熟：未来 LLM 的竞争力不仅在于基础对话能力，更在于是否内嵌了高质量的专业技能（如 PDF 解析、代码执行、数据可视化）。OpenAI 在 GPT Store 上的插件生态、Google 的 Gemini Skill 扩展思路，都在向这个方向演进。

值得关注

• OpenAI 的 Skill 原生化路线：关注 OpenAI 是否在 GPT-4.5 或后续版本中官方推出 PDF/文档解析的原生插件，及其在 GPT Store 中的定位。当前 GPT-4 的「文件上传」功能已支持 PDF，但长文档质量尚不稳定。
• 多模态模型的文档解析基准：MMLU-Document、DocVQA 等现有基准是否已覆盖 200+ 页长文档的跨页一致性测试，排行榜分数是否出现显著提升。
• 上下文窗口竞赛的下一个焦点：Anthropic Claude 3.5（200K context）、Google Gemini 1.5（1M context）在 PDF 长文档场景的直接对比评测将成为关键战场。
• PDF 解析专用模型的商业化：第三方工具如 Mathpix、Amazon Textract、Adobe Acrobat AI Pro 是否会接入更强基础模型，以及 Karpathy 的判断是否会催生新的创业机会。
• Agent 架构的 Skill 调用标准：MCP（Model Context Protocol）等协议是否会为「PDF解析」这类高频技能建立统一的调用规范，减少 Agent 在长文档任务中的 token 浪费。

信源行：
原文链接：https://x.com/karpathy/status/2042292197287215230
背景报道：Karpathy AI Blog（Karpathy 个人网站，含神经网络教程资源）；The Verge 科技报道频道持续追踪 AI 教育领域动态；VentureBeat AI 版块长期关注 LLM 工程落地挑战。