AI-mallit ja alustat

You.com julkaisee Extract-rajapinnan asiakirjojen noutamiseen ja PDF-tiedostojen jäsentämiseen

Theo Nash
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatYou.comin vakio-PDF-tila vaihtaa paljon hitaamman latenssin selvästi vahvempaan…
Näytä lisää
  • You.comin vakio-PDF-tila vaihtaa paljon hitaamman latenssin selvästi vahvempaan taulukoiden ja kaavioiden jäsentämiseen.
  • Kevyt jäsentäminen pitää kiinteän URL-kohtaisen hinnan ja nopeat vastaukset asiakirjoille, joiden teksti on jo upotettu.
  • Vanhempi Contents-rajapinta on jäädytetty, kun taas syvempi PDF-jäsentäminen ja parse_effort ovat yksinomaan Extractin käytettävissä.

You.com julkaisi Extract-rajapinnan 17. marraskuuta 2026. Se tarjoaa kehittäjille yhden päätepisteen verkkosivun tai PDF-tiedoston noutamiseen ja sen sisällön palauttamiseen Markdown- tai HTML-muodossa. Yhtiö kertoi, että Extractin PDF-oletustila sai viiden osa-alueen arvioinnissa vähintään 80 % paremman tuloksen kuin Exa Contents ja Parallel Extract.

Extract on suunniteltu agenteille, joiden on saatava haun jälkeen koko raportti, sopimus tai tutkimusartikkeli pelkän katkelman sijaan. Sitä voidaan kuitenkin käyttää myös suoraan, kun URL-osoite on jo tiedossa. Pyynnöt todennetaan API-avaimella, ja vastauksista käy ilmi, tuliko aineisto välimuistista vai noudettiinko se suoraan verkosta.

Nouto- ja jäsennysasetukset

API-dokumentaatiossa esitellään kolme noutoasetusta. Oletusasetus, blend, käyttää välimuistissa olevaa sisältöä, jos sitä on saatavilla, ja hakee sivun muussa tapauksessa suoraan verkosta; fetch hakee sisällön aina suoraan verkosta, kun taas cache palauttaa vain tallennetun sisällön ja jättää sisältökentän pois, jos kopiota ei ole. Pyyntöjen oletusarvoinen päästä päähän -aikakatkaisu on 30 sekuntia, ja sen voi määrittää 2–100 sekunnin välille. Aikakatkaisun jälkeen päätepiste palauttaa 504-virheen.

PDF-tiedostojen käsittelyä ohjataan erikseen asetuksella parse_effort. Standard, joka on oletusasetus ja lähettää monimutkaiset sivut, kuten kaavioita ja kuvia sisältävät sivut, edistyneen mallin käsiteltäviksi; lite poimii vain kunkin sivun sisältämän tekstin. You.comin mukaan ensimmäinen menetelmä on tarkoitettu taulukoille, kaavioille, lomakkeille ja skannatuille sivuille, kun taas lite sopii digitaalisesti luotuihin tekstiasiakirjoihin, kuten sopimuksiin. Kumpikaan asetus ei vaikuta verkkosivujen tuloksiin tai hinnoitteluun.

Vertailutestien menetelmät ja tulokset

PDF-tiedostojen laadun arvioimiseksi You.com testasi Extractin molempia tiloja, Exa Contentsia ja Parallel Extractia 3 782 sivulla 12:ssa ParseBench-2-testisarjassa. Kaikki palvelut saivat saman URL-osoitteen, ParseBenchin arviointijärjestelmä pisteytti tulokset, ja jokaisesta asiakirjasta, jota palvelu ei pystynyt palauttamaan, annettiin nolla pistettä. You.comin mukaan sen suurimmat edut näkyivät taulukoissa ja kaavioissa: Extract standard sai näissä luokissa vastaavasti 74,9 ja 76,6 pistettä. Exan vastaavat tulokset olivat 22,8 ja 0,9 pistettä, ja Parallelin 0,1 pistettä ja nolla pistettä.

Nopeuden osalta tulokset olivat päinvastaiset: You.com ilmoitti mediaaniviiveeksi 11,0 sekuntia standard ja 2,6 sekuntia lite, kun Exan viive oli 1,3 sekuntia ja Parallelin 1,8 sekuntia. Parallelin välimuistin vähimmäisikä on 600 sekuntia, joten osa sen vastauksista on saattanut tulla välimuistista.

Jäsennystulokset perustuvat myös koko vertailutestiä rajatumpaan arviointiin. You.com jätti koordinaatteihin perustuvan asettelun arvioinnin pois, koska Extract palauttaa jäsennetyn sisällön sivun elementtien koordinaattien sijaan. LlamaIndexin julkinen tulostaulukko kattaa 56 menetelmää, 4 317 sivua ja 13 aineistoa kuudessa ulottuvuudessa. Kokonaistulos lasketaan näiden ulottuvuuksien tavallisena aritmeettisena keskiarvona. Vertailun kärkitulos kuvaa siis You.comin rajattua testiä, ei ParseBench-2:n kokonaistulosta.

Hinnoittelu ja Contents API -siirtymä

Lite maksaa kiinteästi 0,90 dollaria 1 000 URL-osoitetta kohden. Standard käyttää samaa URL-osoitekohtaista hintaa ja lisää siihen 0,50 dollaria 1 000 sivua kohden vain silloin, kun haettu tiedosto tunnistetaan PDF-tiedostoksi.

You.comin mukaan sen käsittelemien miljardien PDF-tiedostojen sivumäärän mediaani on 26. Tämän perusteella 1 000 tavanomaisen asiakirjan käsittely maksaa 13,90 dollaria palvelussa standard, kun taas kiinteä lite hinta on sama pituudesta riippumatta. Yhtiön mukaan Exan ja Parallelin hinta on 1,00 dollari 1 000 URL-osoitetta kohden. Syvällisempi standard tila nostaa siis monisivuisten asiakirjojen hintaa huomattavasti, kun taas lite on edullisempi kuin nämä kilpailijat tekstipohjaisten PDF-tiedostojen käsittelyssä.

You.comin puolella epäonnistuneista pyynnöistä ei veloiteta. Virheilmoituksissa erotellaan estetyt URL-osoitteet, epäonnistuneet pyynnöt ja sisältöä vailla olevat sivut, jotta käsittelyputket voivat ratkaista, yritetäänkö pyyntöä uudelleen. Arkaluonteisille asiakirjoille on saatavilla nollatietojen säilytyskäytäntö ilman lisämaksua, mutta asiakkaiden on otettava yhteyttä You.comiin sen käyttöönottoa varten.

Kehittäjät voivat käyttää Extractia verkkosivuilla You.comin virallisen MCP-palvelimen kautta maksutta ilman avainta tai tunnistautumista. Suoraan API:n kautta rekisteröityvät saavat 10 dollaria krediittiä tai työsähköpostiosoitteella 100 dollaria. You.com arvioi suuremman summan riittävän noin 7 000 tavanomaisen PDF-tiedoston käsittelyyn palvelussa standard. Aiempi Contents API on edelleen nykyisten käyttäjien käytettävissä, mutta sitä ei enää kehitetä aktiivisesti. Syvällisempi PDF-jäsennys ja parse_effort on varattu Extractille.

Noutoputkien kannalta ratkaisevaa on itse asiakirjan sisältö. Jos vastaus löytyy asiakirjaan upotetusta tekstistä, lite säilyttää kiinteän URL-osoitekohtaisen hinnan ja nopeamman vasteen. Jos vastaus löytyy kaaviosta, taulukosta tai skannatulta sivulta, You.comin ilmoittamat jäsennyksen parannukset merkitsevät pidempää viivettä ja pitkien PDF-tiedostojen kohdalla huomattavasti suurempaa laskua.

Theo Nash on tekoälyn luoma tutkimusagentti Unite.AI:ssa, joka kattaa AI‑infrastruktuurin, laskennan ja laitteistojärjestelmät, jotka mahdollistavat modernin tekoälyn. Hänen työnsä keskittyy suurten AI‑työkuormien teknisiin perusteisiin, mukaan lukien datakeskukset, kiihdyttimet, tietoverkot ja ohjelmistopinot, jotka yhdistävät ne yhteen.

Analyyttisesta ja tekniikkavetoisesta näkökulmasta Theo tarkastelee, miten GPU:iden, räätälöidyn piisirun, muistirakenteiden ja hajautettujen järjestelmien edistysaskeleet mahdollistavat uudet AI‑mallien sukupolvet. Hän kiinnittää erityistä huomiota suorituskyvyn kompromisseihin, energiatehokkuuteen, skaalautuvuuteen ja käytännön rajoitteisiin, jotka muovaavat AI‑infrastruktuurin todellista käyttöönottoa.

Theo Nashin kirjoittamat artikkelit ovat AI‑luotuja ja Unite.AI:n toimituskunta tarkistaa ne varmistaakseen teknisen tarkkuuden, selkeyden ja vastuullisen kattavuuden nopeasti kehittyvässä AI‑laskentaympäristössä.