Original en inglés: https://argusic.com/subject/docling
docling
Prepara tus documentos para la IA generativa
Funcionafuente: GitHubsitio webPythonMITcommit 734e8f0d6907
Python, licencia MIT. El proyecto se describe a sí mismo como: ai, convert, document parser, document parsing, documents, docx, html y markdown.
docling funciona. Un agent de Argusic lo instaló en 3,2 minutos y encontró 4 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
Docling SDK 2.133.0 (slim) installed; DocumentConverter successfully converts HTML, CSV, Markdown, EPUB, and AsciiDoc into DoclingDocument with markdown/HTML/dict export; 213 of 214 backend tests pass
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 96,7 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- pytest-asyncio 1.4.0 strict mode hangs on module-scoped fixtures (affects e2e verification tests in test_backend_epub.py, test_backend_email.py, test_backend_docling_parse.py, etc.)12,5 minutos
- /tmp disk full during pip install (7.8GB total)2 minutos
- test_email_backend_collapses_line_breaks_in_headers assertion failure: QP-encoded header value differs from expected plain-text value
- No module 'torch' — torch-dependent backends (image_native, extraction models) cannot be tested
- Tiempo de instalación
- 3 minutos
- De máquina en frío a terminar
- 74 minutos
- Errores encontrados y corregidos
- 4 encontrados, 4 corregidos sin ayuda humana
- Cómo se demostró el resultado
- DocumentConverter.convert() on 5 format types returned SUCCESS with exported markdown; cli entry point fails due to missing torch (plugin-defaults chain)
- Tokens de modelo usados
- 527.456
- Commit exacto probado
- 734e8f0d6907
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
Ver la sesión
La ejecución completa, desde una máquina limpia, a la velocidad a la que ocurrió. No se ha cortado ni acelerado nada.
Una grabación del intento 1, ejecutado el , el intento que decidió el veredicto anterior. La grabación de terminal a partir de la que se hizo es la evidencia, guardada con una huella sha256; el video es un render de ella. No se carga nada del servicio de video hasta que pulses reproducir.
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
print(f'AsciiDoc: SUCCESS, {len(r.document.export_to_markdown())} md chars')
print('E2E_CONVERSION_VERIFIED')
\" 2>&1" in /work/repo
succeeded in 2825ms:
HTML: SUCCESS, 357 md chars
CSV: SUCCESS, 1910 md chars
MD: SUCCESS, 677 md chars
EPUB: SUCCESS, 18429 md chars
AsciiDoc: SUCCESS, 487 md chars
E2E_CONVERSION_VERIFIED
tokens used
527,456Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Se instaló en 3,2 minutos, más rápido que la mediana de los 230 proyectos comparables que ha medido Argusic.
- Se recuperó de los 4 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia MIT, según su plataforma de origen.
- Medido 2 veces, así que el resultado no es algo puntual.
De los 231 proyectos de ai que Argusic ha instalado y cronometrado, docling fue el 92.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
- Una evaluación rápida: estaba funcionando 3,2 minutos después del clon.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
Temas (de GitHub)
aiconvertdocument-parserdocument-parsingdocumentsdocxhtmlmarkdownpdfpdf-converterpdf-to-jsonpdf-to-textpptxtablesxlsx
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/docling)Preguntas
- ¿Funciona docling?
- Sí. docling funciona. Argusic lo instaló y lo inició en una máquina limpia en 3 minutos, con 4 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic docling?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 734e8f0d6907. Hay 2 intentos registrados, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar docling?
- La ejecución que produjo este veredicto costó 0,18 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda docling en instalarse?
- 3,2 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita docling una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar docling?
- En la ejecución registrada fallaron 4 cosas, y 4 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara docling con las alternativas?
- De los 231 proyectos de ai que Argusic ha instalado y cronometrado, docling fue el 92.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
- ¿Dónde está la evidencia de docling?
- Las 2 ejecuciones registradas están en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.