Sebuah tool open-source baru bernama llama-scan telah muncul dengan menjanjikan konversi dokumen PDF menjadi file teks menggunakan model AI lokal. Tool ini memanfaatkan kemampuan multimodal Ollama untuk memproses dokumen tanpa memerlukan layanan cloud atau biaya token. Namun, umpan balik awal pengguna mengungkapkan sambutan yang beragam dengan hasil yang menjanjikan sekaligus tantangan teknis yang signifikan.
Persyaratan Sistem:
- Python 3.10+
- Ollama terinstal dan berjalan secara lokal
- Model default: qwen2.5vl:latest (sekitar 6GB)
Performa Bervariasi Drastis di Berbagai Jenis Dokumen
Pengujian komunitas telah mengungkapkan perbedaan mencolok dalam efektivitas llama-scan tergantung pada kompleksitas dokumen. Sementara beberapa pengguna melaporkan konversi yang hampir sempurna dengan hanya kelalaian simbol kecil, yang lain menghadapi masalah yang lebih serius. Seorang pengguna mengalami kegagalan total saat memproses dokumen yang banyak tabelnya, hanya menerima ! Picture 1: sebagai output untuk seluruh halaman. Pengguna yang sama melaporkan tool tersebut hanging di halaman 17 dari dokumen 25 halaman tanpa pemulihan.
Pendekatan tool ini mengkonversi halaman PDF menjadi gambar sebelum memprosesnya melalui vision language model merepresentasikan kekuatan sekaligus kelemahannya. Metode ini memungkinkannya menangani layout kompleks dan bahkan teks tulisan tangan, tetapi juga membuatnya rentan terhadap masalah halusinasi yang mengganggu model AI saat ini.
Opsi Perintah Utama:
--output, -o: Direktori keluaran (default: "output")--model, -m: Model Ollama yang digunakan (default: "qwen2.5vl:latest")--keep-images, -k: Simpan file gambar sementara--width, -w: Lebar gambar yang diubah ukurannya (0 untuk melewati pengubahan ukuran)--start, -s: Nomor halaman awal--end, -e: Nomor halaman akhir
Pengenalan Tulisan Tangan Menunjukkan Potensi yang Tak Terduga
Meskipun ada kekhawatiran tentang keandalan konversi teks dasar, llama-scan telah menunjukkan kemampuan mengejutkan dengan dokumen tulisan tangan. Tool ini berhasil memproses jurnal dan catatan tulisan tangan, membuka kemungkinan untuk mendigitalkan arsip pribadi dan dokumen bersejarah. Kemampuan ini berasal dari penggunaan Qwen 2.5 VL , sebuah vision model yang secara khusus dilatih untuk mengenali teks tulisan tangan.
Waktu pemrosesan untuk dokumen tulisan tangan bisa substansial, dengan pengguna melaporkan 5-10 menit per dokumen pada hardware laptop biasa. Namun, bagi mereka yang ingin menghindari layanan cloud untuk dokumen pribadi yang sensitif privasi, pendekatan pemrosesan lokal ini menawarkan alternatif yang berharga.
Keterbatasan Teknis dan Solusi Alternatif
Diskusi komunitas telah menyoroti tantangan fundamental dengan pemrosesan PDF yang meluas melampaui llama-scan itu sendiri. Dokumen PDF dapat berisi gambar tertanam, layout kompleks, dan berbagai skema encoding yang membuat ekstraksi teks yang andal sangat sulit. Solusi OCR tradisional seperti Tesseract dan ocrmypdf terus menawarkan hasil yang lebih dapat diprediksi untuk dokumen teks standar.
Semuanya tergantung pada skala yang Anda butuhkan, dengan API mudah untuk menghasilkan jutaan token tanpa berpikir.
Beberapa pengguna telah menunjuk ke alternatif yang sudah mapan termasuk Docling dari IBM , Marker dengan Surya OCR , dan tool khusus seperti model nanonets-ocr-s . Solusi-solusi ini sering memberikan penanganan yang lebih robust untuk tabel dan layout kompleks, meskipun mereka mungkin kekurangan keunggulan pemrosesan lokal yang ditawarkan llama-scan .
Ketergantungan tool ini pada PyMuPDF , yang membawa lisensi AGPL , juga menimbulkan pertimbangan untuk kasus penggunaan komersial. Pengguna yang berencana mengintegrasikan llama-scan ke dalam software proprietary perlu meninjau dengan hati-hati implikasi lisensi.
Sementara llama-scan merepresentasikan pendekatan yang menarik untuk pemrosesan PDF lokal, pengalaman pengguna saat ini menunjukkan bahwa ia bekerja paling baik sebagai tool khusus untuk kasus penggunaan spesifik daripada konverter PDF serbaguna. Sifat open-source proyek ini berarti masalah-masalah ini mungkin diatasi melalui kontribusi komunitas, tetapi pengguna potensial harus menguji secara menyeluruh dengan jenis dokumen spesifik mereka sebelum mengandalkannya untuk alur kerja kritis.
Referensi: llama-scan