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 | 维度 | 详情 | |------|------| | 名称 | Pulpie（by Feyn） | | 官网/仓库 | github.com/feyninc/pulpie、huggingface.co/blog/feyninc/pulpie | | 上线 | 2026-07-06，Show HN | | 价格 | 开源免费，自托管 | | 一句话 | encoder 架构清洗网页，1/20 的成本逼近 SOTA | 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： | 模型 | 参数量 | ROUGE-5 F1 | L4 吞吐（页/秒） | 10 亿页成本（L4） | |------|--------|-----------|-----------------|------------------| | Dripper 0.6B | 600M | 0.864 | 0.68 | ~$159,000 | | **Pulpie Orange Small** | **210M** | **0.862** | **13.7（快 20 倍）** | **~$7,900（1/20）** | | Pulpie Orange Large | 2.1B | 0.873 | 1.3 | ~$83,000 | **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： ```python 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 | 维度 | 详情 | |------|------| | 名称 | LiteParse（by LlamaIndex） | | 官网 | llamaindex.ai/blog/liteparse-local-document-parsing-for-ai-agents | | 价格 | 开源免费，本地运行，零 Python 依赖 | | 一句话 | LlamaParse 的核心引擎开源，专给 agent 设计 | 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**： ```bash 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： ```bash 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**。 | 维度 | 详情 | |------|------| | 名称 | Claude Science（by Anthropic） | | 官网 | claude.com/product/claude-science | | 上线 | 2026-06-30，beta | | 价格 | 捆绑 Claude Pro($20/月)/Max/Team/Enterprise | | 一句话 | 给科学家的 AI 工作台，60+ 数据库直连，全程可审计 | 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 ```mermaid 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 | 维度 | 大多数人知道的 | 你现在知道的（信息差） | |------|---------------|----------------------| | 网页清洗 | 用 Trafilatura / 大模型清洗，贵或脏 | Pulpie：210M 开源小模型，成本砍到 1/20，逼近前沿 LLM 质量 | | 文档解析 | pypdf 凑合 / 云端按页付费 | LiteParse：LlamaParse 核心开源进本地，零 Python 依赖，agent-first | | 科研 AI | 把论文粘进 ChatGPT 问 | Claude Science：60+ 数据库直连，全程可审计，数据不出本地 | | 护城河位置 | 拼模型选型、拼提示词 | 模型同质化后，护城河在"进料口"——数据清洗层 | | 经济学逻辑 | 清洗=大模型干 | 清洗=小模型/本地算力干，大模型只留给推理 | ## 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。