这一周，海外 AI 圈吵得最凶的还是"哪个模型最强"——GPT-5.6 代号 Sol 刷屏，Claude、GLM、Gemini 轮番更新跑分。但你如果只盯着模型选型，就踩进了最大的信息差陷阱：模型本身正在以每月两三成的速度跌成白菜价，真正决定 AI 产出质量、也真正在烧你钱的，已经悄悄挪到了"喂进嘴的料"——也就是进料口（ingestion）层。本周海外接连上线三把新刀，全部瞄准同一个靶子：把脏数据洗干净、便宜地喂进模型。一家把网页清洗成本砍到二十分之一，一家把文档解析核心免费开源进本地，Anthropic 干脆直接把 60 多个科研数据库打包成一个可审计工作台。看懂这三把刀，你就看懂了 2026 年 AI 真正的护城河在哪里。

核心信息差：模型在跌价，进料口在涨价

先给你一个反直觉的账。Feyn 这家团队在 7 月 6 日发在 Hacker News 的 Show HN 里实测了一组数据：一个典型 HTML 网页里，70% 的内容块是导航栏、广告、侧边栏、页脚这些 boilerplate（样板内容），真正有用的主内容只占一小撮。但就是这一小撮，决定了模型在预训练和推理两端的质量。

更狠的是引用论文 AICC（Ma et al., 2025）的对照实验：同一份 Common Crawl 快照，一份用启发式规则提取，一份用模型提取，只换提取逻辑、其他管线全不变，训出来的同一个模型，模型提取版在 13 个基准上平均高 1.08 个百分点——甚至干翻了以重度过滤闻名的 FineWeb 和 RefinedWeb。

这意味着什么？数据清洗不是"锦上添花"，是"地基"。而启发式工具会把代码块和公式搞坏（Trafilatura 对代码块的相似度只有 0.13，模型提取是 0.91），脏料喂进去，模型就把这层损坏继承下来。推理端同理：ICML 2023 那篇经典论文早证明，一段无关上下文就足以让模型答错。

所以本周这三把刀，刀刀都砍在"进料口"上，而且遵循同一个经济学逻辑：用又小又专的模型 / 本地算力，去干又脏又高频的清洗活，把大模型留给真正需要推理的环节。

第一把刀：Pulpie —— 把网页洗干净，成本砍到二十分之一

Pulpie 是一个清洗网页的模型家族，干一件极其无聊但极其值钱的活：把抓下来的 HTML 里那 70% 的样板内容剔除，只留主内容，输出干净 HTML 或 Markdown。它的杀手锏是架构选择。

当前最强的同类工具叫 Dripper，是个 decoder（解码器），一次吐一个 token 的标签，每吐一个 token 都得把整个模型从显存读一遍，所以速度被显存带宽卡死。Pulpie 反过来用 encoder（编码器），一次前向传播给所有 block 打标签，瓶颈挪到算力上。结果是碾压级的对比：

210M 的小模型，质量基本追平 600M 的 Dripper，速度快 20 倍，成本降到二十分之一。 关键原因在硬件经济学：A100 和 L4 在显存带宽上差 6.8 倍，但在算力上只差 2.6 倍——所以从 A100 降到便宜的 L4，带宽依赖型的 decoder 被饿得更惨，而算力依赖型的 encoder 反而能在便宜卡上跑得欢。这对国内开发者是直接利好：用廉价的 L4 / 甚至国产卡，就能把全网清洗这件事跑起来。

上手极简：

pip install pulpie
from pulpie import Extractor
extractor = Extractor()  # 默认 pulpie-orange-small
result = extractor.extract(html)
print(result.markdown)   # 干净 markdown

它的训练也很值得抄作业：从 Common Crawl 采样 16,670 个英文页（限制每个域名一页），用 DeepSeek V3.2 给每个 block 打内容/样板标签，再拿 Dripper 0.6B 做第二标注人交叉验证（block 级一致率 93.3%），只保留两个标注人在 70% 以上 block 上一致的 14,959 页。用强模型蒸馏出小模型替自己打工——这套"老师—学生"范式正是当下小模型团队最该学的。

国内对标： 绝大多数国内 RAG 工程师清洗网页还在用 Trafilatura、Readability、BeautifulSoup 这类启发式，或者干脆把整页 HTML 扔给大模型清洗（贵且慢）。Pulpie 给出了一条中间路线：开源小模型，本地/便宜卡自托管，质量和前沿 LLM 接近（基准里前沿 LLM 约 0.90，Pulpie Large 0.873）。

第二把刀：LiteParse —— 把文档解析核心免费开源进本地

LlamaParse 是海外文档解析的事实标准之一，云端按页收费（免费额度每天 1000 页）。这周 LlamaIndex 把它最核心的处理引擎拆出来开源成 LiteParse，而且做了一个反常识的设计取舍。

LiteParse 是一个 TS 原生的 CLI 和库，零 Python 依赖、不需要 GPU、完全在本地跑：

npm i -g @llamaindex/liteparse
lit parse anything.pdf
lit screenshot report.pdf -o "./imgs" --pages "1-3"   # 还能截图喂给多模态

支持 PDF（原生文本 + 扫描页自动 OCR）、Office 文档（DOCX/XLSX/PPTX 经 LibreOffice 转 PDF 再解析）、图片（经 ImageMagick 转 PDF 再 OCR），OCR 用内置的 Tesseract.js 自动并行吃满你的 CPU 核。

它最聪明的一点是哲学转向：大多数解析工具拼命做"表格识别"，把表格转成 Markdown，结果增加一堆失败模式。LiteParse 反过来——保留版面，而不是检测结构。它把文本按空间网格投影，表格长什么样就输出什么样：

Name   Age   City
John   25    NYC
Jane   30    LA

理由很硬：现代 LLM 本来就在 ASCII 表格、代码缩进、README 上训过，它天生读得懂这种格式，何必再套一层会出错的表格检测管线？ 这等于把"理解结构"这件难事，从脆弱的解析器手里，交还给擅长干这事的 LLM。

更关键的是它为 agent 量身定做。官方吐槽了一个真实痛点：Anthropic 的官方 PDF skill 鼓励 agent 每次都用 pypdf 写一段 Python 来处理 PDF——这意味着 agent 每读一个文档就现场写一遍新代码，且这些代码在不同文档、不同会话间不通用。LiteParse 把这件事固化成可复用的工具调用，还打包成了一个 coding-agent skill：

npx skills add run-llama/llamaparse-agent-skills --skill liteparse

并支持一个强大的 agent 模式：先用文本快速理解，遇到看不准的再截图做视觉推理。

国内对标： 国内在文档解析上有两个开源强选手——上海 AI Lab 的 MinerU（也是 Pulpie 训练时用来切 HTML 的工具）和 Marker。LiteParse 的差异化在于"agent-first + 零 Python 依赖 + 空间网格哲学"，定位是给实时 agent pipeline 用、要快和省，而不是和 MinerU 拼 PDF 复杂版面的极限精度。对做 agent 的国内开发者，这是个比 pypdf 靠谱得多的起步方案。

第三把刀：Claude Science —— Anthropic 把进料口直接打包成工作台

前两把刀是"清洗工具"，第三把刀更狠：Anthropic 干脆把整个科研数据的进料口打包成一个工作台。

Claude Science 是一个 macOS/Linux 桌面应用，本质是"一个恰好以前沿 AI 模型为主界面的科研环境"。它解决的是科学家的真实痛点：一个真实的研究流程要横跨文献检索、数据整理、统计建模、出图、代码审查、引用核对，散落在六七个互不相通的工具里，在终端、Jupyter、文献管理器、聊天窗之间反复切换，每一步都在掉链子。

Claude Science 的做法是把 Claude 直接接到科研工具链上：PubMed、Jupyter、R、集群终端、按需 GPU全塞进一个持久化的项目工作台。它内置 60 多个按学科整理的 skill 和连接器——基因组学、单细胞、蛋白组学、结构生物学、化学信息学，外加 NVIDIA BioNeMo Agent 集成。

三个设计细节决定了它不是又一个"套壳 chat"：

1. 可审计的产物：工作台里产出的每一张图、每一个统计结果，都配着生成它的代码和导致这段代码的完整对话。没有"我一个月前在 notebook 里跑过、好像参数是对的"这种玄学，整条证据链都留在项目产物日志里。

2. 计算随需调度：代码可以在本地笔记本、Linux 工作站、经 SSH 的 HPC 登录节点、或 Modal 的 GPU 上跑（做蛋白结构预测、大规模 embedding）。计算这层它帮你管。

3. 数据不出你的基础设施：只有 context window（上下文窗口）会发到 Anthropic，你的数据集始终留在本地/你自己的机器上。 这一点对受合规约束的机构是硬刚需。

早期采用者 Manifold Bio、Allen Institute、UCSF 已经在基因组学、药物靶点提名、长文文献综述上报告了数量级的加速；Modal 还给入选的 AI for Science grant 受赠者最高 2000 美元算力额度。

国内对标：基本空白。 智谱 GLM、通义千问、DeepSeek、Kimi 都没有面向科研的垂直工作台——它们都还在卷通用对话和模型能力。Claude Science 释放的信号才是关键：当模型同质化，下一程的护城河是"为某个职业深度定制、把它的数据进料口和工作流牢牢锁住"。

三层进料口，一张图看懂

flowchart LR
    subgraph Raw["脏数据源头"]
        W["网页 HTML\n70% 是样板"]
        D["PDF / Office 文档\n表格、公式、扫描页"]
        P["专业数据库\nPubMed / 文献 / 数据集"]
    end
    subgraph Ingest["进料口：本周三把新刀"]
        P1["Pulpie\n210M encoder\n网页→干净 Markdown\n成本 1/20"]
        P2["LiteParse\n本地零依赖\n文档→版面感知文本\nagent-first"]
        P3["Claude Science\n60+ 数据库直连\n可审计工作台\n数据不出本地"]
    end
    subgraph Model["模型层：正在白菜价"]
        M["GPT-5.6 / Claude / GLM\n把推理留给它"]
    end
    W --> P1
    D --> P2
    P --> P3
    P1 --> M
    P2 --> M
    P3 --> M
    style P1 fill:#ffe4b5
    style P2 fill:#b5e4ff
    style P3 fill:#d5b5ff
    style M fill:#d4f4d4

三条进料路径，三种形态，但底色一致：清洗这个环节，正在从"调大模型"迁移到"小模型/本地算力/打包工作台"。谁掌握了又便宜又干净的进料口，谁就拿到了模型同质化时代的定价权。

信息差总结

行动指南（可立刻执行）

1. 今天就换掉你的 RAG 清洗管线：把网页/HTML 入口的 Trafilatura 换成 pip install pulpie，跑一遍 Extractor().extract(html)，对比输出质量和成本。重点看代码块和表格是否保真。

2. agent 读 PDF 别再现场写 pypdf：npm i -g @llamaindex/liteparse，把它装进你的 agent 技能库（npx skills add run-llama/llamaparse-agent-skills --skill liteparse）。先用 lit parse 抽文本，看不准再 lit screenshot 走多模态。

3. 给 LlamaParse 省钱：高频、对精度要求不极端的实时 agent pipeline 用 LiteParse 本地跑；只有复杂版面、要 JSON schema 的难活才调 LlamaParse 云端。把"急活"和"难活"分开计费。

4. 抄 Pulpie 的训练范式：如果你在做垂直领域小模型，照搬它的"强模型标注→交叉验证→蒸馏小模型"路径（DeepSeek V3.2 + Dripper 0.6B 双标注，93.3% 一致率筛数据）。这是当下小模型团队性价比最高的数据构造法。

5. 盯 Anthropic 的下一步：Claude Science 验证了"垂直工作台"路线可行。国内厂商大概率会跟进——科研、法律、医疗、金融各来一个。你要做的，是判断自己所在行业会不会是下一个被"工作台化"的，并提前把数据资产和 workflow 梳理清楚，而不是等技术来了再慌。

参考来源

• Pulpie 官方博客（Feyn）：https://huggingface.co/blog/feyninc/pulpie
• Pulpie GitHub 仓库：https://github.com/feyninc/pulpie
• LiteParse 发布博客（LlamaIndex）：https://www.llamaindex.ai/blog/liteparse-local-document-parsing-for-ai-agents
• Claude Science 官方公告（Anthropic）：https://www.anthropic.com/news/claude-science-ai-workbench
• Claude Science 产品页：https://claude.com/product/claude-science

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。