Что лучше загружать в нейросеть: PDF, текст или Markdown

Если коротко: PDF нужен, когда важны изображения, расположение элементов и визуальная структура; обычный текст - когда важны в основном слова; Markdown - когда вместе с текстом нужно сохранить заголовки, списки, таблицы и другие логические связи.

Если коротко, универсально лучшего формата нет.

PDF нужен, когда важно видеть документ.

Обычный текст нужен, когда важно прочитать содержание.

Markdown нужен, когда важно прочитать содержание и сохранить логическую структуру.

Разница становится заметна не по расширению файла, а по задаче.

Если нужно найти дату в договоре, визуальный слой может быть лишним.

Если нужно понять диаграмму в отчёте, обычного текста уже недостаточно.

Если нужно разобрать документ с заголовками, списками и таблицами, Markdown может сохранить полезные связи лучше, чем plain text.

Поэтому первый вопрос перед загрузкой документа в нейросеть такой:

Что именно модель должна понять из этого документа?

PDF передаёт не только слова

PDF хранит не только текст.

В нём могут быть графики, диаграммы, изображения, подписи, таблицы, колонки и пространственное расположение элементов.

Для некоторых моделей это имеет прямое значение.

Например, Anthropic описывает обработку PDF в Claude как работу одновременно с текстом страницы и её изображением. Благодаря этому модель может учитывать не только написанные слова, но и визуальное содержимое страницы.

Это важно для документов, где часть смысла находится не в тексте.

Представим финансовый отчёт.

В абзаце написано:

Выручка по итогам квартала выросла.

Но конкретные направления роста, динамика маржи и сравнение периодов могут находиться только на диаграмме.

Если заранее превратить такой PDF в обычный текст, часть данных исчезнет ещё до того, как документ попадёт в модель.

Поэтому правило:

PDF всегда нужно сначала превращать в текст

не работает.

Когда визуальный слой действительно лишний

Теперь другой пример.

Есть договор на двадцать страниц.

Нужно узнать:

• когда заканчивается срок действия;
• как происходит расторжение;
• какая предусмотрена ответственность;
• какие обязательства есть у поставщика;
• есть ли автоматическая пролонгация.

Для такой работы поля страницы, логотип компании и расположение абзаца относительно края листа обычно не несут полезной информации.

Нужны слова и их смысл.

В этом случае передача исходного PDF может означать обработку большего количества данных, чем требуется задаче.

Для Claude это особенно наглядно: в документации Anthropic для PDF приводится ориентир примерно 1500-3000 текстовых токенов на страницу в зависимости от плотности текста, а изображения страниц добавляют отдельную стоимость обработки.

Поэтому полезное правило выглядит не так:

Удалить из документа всё визуальное.

А так:

Удалять только ту информацию, которая точно не нужна для конкретной работы.

Когда достаточно обычного текста

Plain text подходит лучше всего для линейных документов, где смысл находится в предложениях и абзацах.

Например:

Прочитать договор и перечислить условия его расторжения.

Или:

Сделать краткое содержание статьи.

Или:

Найти все упоминания определённой компании.

Если в документе нет важных таблиц, схем и пространственных связей, обычного текста часто достаточно.

С ним удобно:

• искать;
• делить документ на части;
• сравнивать фрагменты;
• сохранять;
• индексировать;
• передавать между системами;
• отправлять в модель;
• использовать как промежуточный результат обработки.

Для простого договора или статьи это часто самый компактный и понятный вариант.

Где обычный текст начинает проигрывать

Представим документ, в котором есть:

• заголовки;
• подразделы;
• нумерованные условия;
• вложенные списки;
• ссылки;
• таблицы.

После простого извлечения можно получить что-то вроде:

Условия поставки
Общие положения
Поставщик обязан
доставка 5 дней
оплата 30 дней
ответственность
штраф 0,1 процента

Слова остались.

Но часть информации исчезла.

Непонятно, что было заголовком.

Где начинался новый раздел.

Какие пункты относились друг к другу.

Как была устроена таблица.

В таких документах простой текст может быть слишком плоским представлением.

Что даёт Markdown

Markdown остаётся обычным текстом, но позволяет сохранить часть логической структуры документа.

Например:

# Условия поставки

## Общие положения

Поставщик обязан передать товар в течение пяти рабочих дней.

## Оплата

- срок оплаты: 30 дней;
- способ оплаты: безналичный расчёт.

## Ответственность

Штраф: 0,1% за каждый день просрочки.

Заголовок остаётся заголовком.

Список остаётся списком.

Вложенность можно сохранить.

Таблицу можно представить как таблицу.

Именно поэтому Markdown полезен для документов, где структура сама несёт смысл.

Microsoft, например, описывает MarkItDown как инструмент преобразования разных типов файлов в Markdown для LLM и текстового анализа с сохранением важных структурных элементов, включая заголовки, списки, таблицы и ссылки.

Но из этого не следует, что Markdown автоматически лучше для любого файла.

На таблицах разница особенно заметна

Исходная таблица:

После простого извлечения текста может получиться:

Товар
Количество
Цена
Стол
3
15 000
Стул
10
4 000

Все значения сохранились.

Но связь между ними стала слабее.

Если ту же таблицу удалось корректно представить в Markdown:

| Товар | Количество | Цена |
| --- | ---: | ---: |
| Стол | 3 | 15 000 |
| Стул | 10 | 4 000 |

отношения между строками и столбцами остаются явными.

Но здесь есть важное ограничение.

Markdown не восстанавливает структуру сам по себе.

Если исходный PDF уже был неправильно разобран, превращение ошибочного текста в Markdown не сделает таблицу правильной.

Markdown не является автоматически лучшим форматом

Условно можно разделить документы на несколько типов.

Обычный линейный текст.

Договор, статья, инструкция без сложной структуры.

Обычно достаточно plain text. Markdown может быть полезен, но выигрыш иногда минимален.

Структурированный текст.

Регламент, документация, отчёт с большим количеством разделов, списков и простых таблиц.

Здесь Markdown часто удобнее обычного текста, потому что сохраняет логические отношения.

Визуально насыщенный документ.

Отчёт с диаграммами, схемами, графиками, сложной версткой и значимым расположением элементов.

Здесь безопаснее сохранить исходный PDF или использовать другой способ, при котором модель видит визуальную часть.

Сканированный документ.

Если внутри PDF нет текстового слоя, сначала возникает отдельная задача распознавания.

Сам выбор между plain text и Markdown появляется уже после того, как текст удалось получить.

Даже расположение на странице иногда является данными

Иногда слова сами по себе не дают полного смысла.

Представим страницу:

ПЛАН                     ФАКТ

Продажи 10 млн           Продажи 8 млн
Маржа 30%                Маржа 24%

После линейного извлечения может получиться:

ПЛАН
ФАКТ
Продажи
10 млн
Продажи
8 млн
Маржа
30%
Маржа
24%

Ни одной цифры не потеряно.

Но связь между значениями стала слабее.

Человек понимает таблицу благодаря пространственному расположению элементов.

Для модели с исходной страницей эта связь может быть доступнее, чем после плоского преобразования.

Что делать со сканированным PDF

Скан добавляет отдельный слой выбора.

Если в PDF нет текстового слоя, plain text или Markdown нельзя получить обычным извлечением.

Сначала нужен либо OCR, либо модель, которая умеет анализировать изображение страницы.

После OCR появляется текст, но он может содержать ошибки.

Особенно это важно для:

• цифр;
• реквизитов;
• фамилий;
• артикулов;
• сумм;
• дат.

Поэтому в задаче с высокой ценой ошибки качество распознавания нужно проверять отдельно.

Подробнее эта проблема разобрана в статье «Почему из одного PDF текст извлекается, а из другого нет».

Один документ и пачка документов требуют разного подхода

Для одного файла можно позволить себе больше ручной проверки.

Например, открыть PDF, убедиться, что таблица сохранилась, и только потом отправить результат в модель.

При обработке сотен документов такой подход становится дорогим.

Тогда важны уже не только формат и качество одного преобразования, но и стабильность процесса:

• одинаково ли извлекаются типовые документы;
• как обрабатываются исключения;
• что происходит со сканами;
• где теряются таблицы;
• можно ли автоматически определить неудачное преобразование.

Но базовое правило остаётся тем же.

Сначала нужно понять, какую информацию нельзя потерять.

Только потом выбирать представление документа.

Иногда конечным результатом вообще не должен быть текст

Формат входа и формат результата - разные вещи.

Например, пользователь загружает PDF, но хочет получить не текстовый файл, а:

• краткое содержание;
• список условий договора;
• набор реквизитов;
• ответы на вопросы;
• JSON;
• таблицу;
• список найденных рисков.

В таком случае PDF, plain text или Markdown являются только промежуточными представлениями.

Главное - не потерять информацию, необходимую для конечного результата.

Можно вообще не выбирать один формат

Иногда полезнее сохранить два представления одновременно.

Например:

PDF + извлечённый текст.

Или:

PDF + Markdown.

Текстовое представление удобно для поиска и анализа содержимого.

Исходный PDF остаётся резервом для проверки таблицы, схемы, подписи или визуального расположения элементов.

Такой подход особенно полезен, если заранее неизвестно, какие вопросы будут заданы по документу.

Если интерфейс или модель позволяют работать и с исходником, и с извлечённым представлением, не обязательно отказываться от одного ради другого.

Самая опасная оптимизация - удалить информацию раньше времени

Преобразование документа часто воспринимается как техническая подготовка.

Но на самом деле это фильтр.

Каждый переход может что-то удалить:

PDF -> текст

может убрать изображения, расположение и часть структуры.

PDF -> Markdown

может сохранить больше логических связей, но всё равно потерять визуальные элементы или неверно восстановить сложную страницу.

Поэтому оптимизация полезна только тогда, когда известно, какая информация не понадобится дальше.

Если неизвестно, лучше сохранить исходный документ рядом с преобразованной версией.

Как выбрать между PDF, текстом и Markdown

Практический выбор можно сделать по трём вопросам.

1. Нужна ли визуальная информация?

Если нужны диаграммы, графики, изображения, расположение элементов или сложная визуальная таблица - сохраняйте PDF или другое представление, которое модель может видеть целиком.

2. Важна ли логическая структура?

Если важны заголовки, разделы, списки, ссылки и отношения между строками таблицы - Markdown обычно полезнее plain text, если структура была извлечена корректно.

3. Достаточно ли самих слов?

Если задача состоит в чтении линейного текста, поиске фактов, суммаризации или классификации по содержанию - plain text часто достаточен.

Если сомневаетесь, самый безопасный вариант - не удалять исходник и сравнить результат на одном реальном документе.

Короткий вывод

PDF нужен, когда документ нужно видеть.

Он сохраняет визуальный слой, расположение элементов, изображения и диаграммы.

Обычный текст нужен, когда документ в основном нужно читать.

Для линейного содержания это часто самый простой вариант.

Markdown нужен, когда документ нужно читать вместе со структурой.

Он полезен для заголовков, списков, ссылок и таблиц, если преобразование выполнилось корректно.

Не существует формата, который всегда лучше двух остальных.

Правильный выбор определяется не типом файла, а той информацией, которая нужна модели для конкретной задачи.

Частые вопросы

Что лучше загружать в нейросеть: PDF или обычный текст?

Если задача зависит в основном от написанного содержания, обычного текста может быть достаточно.

Если нужны графики, изображения, таблицы, расположение элементов или другая визуальная информация, исходный PDF сохраняет больше данных.

Зачем преобразовывать документ в Markdown?

Markdown позволяет вместе с текстом сохранить часть логической структуры: заголовки, списки, таблицы и ссылки.

Это полезно, когда отношения между частями документа важны для анализа.

Markdown всегда лучше обычного текста?

Нет.

Для линейного документа без важной структуры преимущество Markdown может быть минимальным.

Он полезен там, где сама структура содержит информацию.

Markdown расходует меньше токенов, чем PDF?

Единой цифры для любого документа нет.

Например, Claude при обработке PDF может анализировать и извлечённый текст, и изображения страниц.

Фактический объём зависит от конкретного файла и способа его обработки моделью.

Всегда ли нужно превращать PDF в Markdown перед нейросетью?

Нет.

При важном визуальном содержимом преобразование может привести к потере информации.

При простом линейном тексте Markdown может не дать существенного преимущества перед обычным текстом.

Что делать со сканированным PDF?

Если текстового слоя нет, нужно либо анализировать изображения страниц моделью с визуальными возможностями, либо сначала выполнить OCR.

Выбор зависит от задачи и дальнейшей работы с результатом.