LlamaIndex samler ti dokumentmodeller bak ett API med OpenDocRouter
Tjenesten konverterer PDF-er og bilder til markdown via ett endepunkt, med frontiermodeller som Claude Opus 5.5 og åpen kildekode-alternativer som MinerU2.5-Pro side om side — men alle tallene kommer fra selskapets egne sider og egen benchmark.
LlamaIndex lanserte 7. oktober 2026 OpenDocRouter, en vertsbasert plattform for dokument-til-markdown-tolkning som stiller ti modeller — fem frontiermodeller og fem med åpen kildekode — bak ett enkelt API, ifølge Unite.AI. Hver modell kjøres under en versjonert «parsing-oppskrift», og alle er benchmarket på ParseBench for kvalitet og kostnad. Det betyr i praksis at en utvikler kan bytte mellom Claudes tolkning og en åpen kildekode-modell med publisert pris per side ved å endre én parameter, uten å endre integrasjonen.
Modellutvalget — og spredningen i pris og kvalitet
Ved lansering tilbyr API-et fem frontiermodeller (Claude Opus 5.5, Gemini 3 Flash, Gemini 3.8 Flash, GPT-5.6 Terra og GPT-6 Luna) og fem åpen kildekode-modeller (Infinity-Parser2-Flash, MinerU2.5-Pro, TeleOCR, dots.mocr og PaddleOCR-VL-1.6), ifølge selskapets modell- og benchmarkside, slik Unite.AI gjengir den.
Tallene LlamaIndex har publisert viser en stor spredning:
- Claude Opus 5.5: 84,20 i samlet ParseBench-score, med 93,53 på tabeller og 91,03 på «Faithfulness» — til 48,82 dollar per 1 000 sider.
- GPT-6 Luna: 71,34 samlet, til 0,80 dollar per 1 000 sider.
- MinerU2.5-Pro: 70,05 samlet, til 0,86 dollar per 1 000 sider.
- TeleOCR: 57,25 samlet, til 2,70 dollar per 1 000 sider.
Bilde som tegnes er at den beste åpen kildekode-modellen i dette utvalget skårer omtrent likt som GPT-6 Luna til en brøkdel av toppmodellens pris — et spenn på over 60 ganger mellom Claude Opus 5.5 og GPT-6 Luna på pris per side. Men disse er selskapets egne tall, ikke uavhengig verifiserte (mer om det nedenfor).
Slik fungerer API-et
Tjenesten eksponerer et POST /v1/parse-endepunkt som tar imot PDF-, PNG- og JPEG-filer, eller URL-er til slike formater. Ifølge API-dokumentasjonen kan et dokument sendes som en offentlig HTTPS-URL eller en opplastet fil-ID — begge med en grense på 50 MB eller 500 sider — eller som inline base64-data opp mot rundt 3 MB.
Synkrone kjøringer støttes opptil 50 sider; svar per side inneholder markdown, status og belastning («charge»), slik at kunder kan regne på kostnaden per side etter hvert. Det finnes typede SDK-er for Python og TypeScript via pip og npm, med kildekode i GitHub-repositoriene run-llama/opendocrouter-py og run-llama/opendocrouter-ts. Metodene speiler endepunktene: parse.create, uploads.create, credits.get og models.list.
Layout-forankring på tvers av modeller
Et eget trekk ved tilbudet er en forankringsmotor («grounding») som ifølge selskapet fungerer med alle modellene: Ved å sette layout: true returneres markdown med plasseringsangitte bokser (bounding boxes) og layoutelementer i leseretning, under et felles sett med 15 layoutklasser: title, section_header, text, list_item, table, picture, chart, formula, caption, footnote, page_header, page_footer, code, form og key_value. Sider der layouten feiler beholder markdown-en sin, og belastes ikke for layout — ifølge selskapets beskrivelse av produktet.
Hva hviler på selskapets egne tall?
Nesten alt. Det finnes ingen uavhengig kilde i materialet: Både ParseBench-resultatene, prisene og API-beskrivelsene stammer fra LlamaIndexes egne sider, formidlet gjennom Unite.AI sin dekning samme dag som lanseringen. ParseBench er LlamaIndexes egen benchmark, og det foreligger ingen uavhengig evaluering av kvalitetsskårene.
Kostnadstallene per 1 000 sider er dessuten estimater basert på tokens per side på ParseBench-dokumenter — Unite.AI bemerker at reelle kostnader på en gitt kundes sider sannsynligvis vil avvike. Og prisene er datert 6. oktober 2026, mens prisoppsettet viser Claude Opus 5.5 og GPT-5.6 Terra med oppskrifter datert 25. september 2026 og GPT-6 Luna datert 5. oktober 2026. Denne uoverensstemmelsen i versjonsdatering lar seg ikke løse med tilgjengelig informasjon og bør avklares av LlamaIndex.
Videre planer — og åpne spørsmål
LlamaIndex oppgir at når nye modeller lanseres som selskapet kan tilby, kjøres de gjennom ParseBench for å kalibrere promptene, kostnadene og andre innstillinger før de legges til. Selskapet planlegger videre å forbedre de mest populære modellene gjennom bedre prompter og bedre hosting for redusert latens.
De åpne spørsmålene er de vanlige ved selskapsrapporterte benchmarks: Hvordan scorer modellene på dokumenter utenfor ParseBench? Hvor nøyaktige er kostnadsestimatene i praksis? Og holder «alle dokumentmodeller bak ett API»-innpakningen seg over tid, eller vil de ulike modellenes svakheter kreve modellspesifikke justeringer allikevel? Foreløpig finnes ingen uavhengige svar — bare selskapets egne.