这个基准测什么
PDF 是固定版面，Word 是可重排文档。DocBig 当前 PDF→Word 的优先目标是让文本继续可编辑，并在证据足够时恢复结构，而不是把每个坐标复制成一个看似相同但难以编辑的页面。
表格结构
完整线框表格是否重建为真正的 Word 表格，而不是一串靠空格对齐的文本。
合并语义
缺少内部边界这一几何证据能否恢复成 Word 的横向合并单元格。
阅读顺序
低文字量页面里的独立内容图，是否仍位于正确段落和表格之间。
可复现性
输入 PDF、生成脚本和 SHA-256 同时公开；固定回归直接检查生成 DOCX 的 Open XML 结构。
隐私边界：本页只发布 DocBig 仓库内程序生成的 synthetic fixture。真实客户合同、发票、验收报告、简历和个人文档不进入公开 benchmark。
3 个固定 synthetic 样本
每个样本都有两份可下载证据：输入 PDF，以及生成该 PDF 的 Python 脚本。构建过程还会发布 manifest.json，记录文件大小、SHA-256 和对应回归合同。
如何复现
- 下载上面任一 synthetic PDF；也可以用同一行的 Python 脚本重新生成测试件。
- 打开 DocBig PDF 转 Word，在浏览器本地完成转换并下载 DOCX。
- 人工可以直接检查 Word 中的文本、表格和顺序；仓库固定回归则进一步解包 DOCX，直接检查
w:tbl、w:tr、w:gridSpan和w:drawing等 Open XML 结构。 - 用 manifest.json 对照输入文件 SHA-256，确认使用的是本页同一版本的 fixture。
这套方法的好处是“通过”有明确机器合同：不是只看一张 Before / After 截图，也不是凭主观印象说“看起来差不多”。
2026-08-28 发布快照
本页创建时，DocBig 正式构建中的 PDF→Word fixed regression 为 232 / 232 tests passed。本页只公开其中 3 个完全 synthetic、适合外部复现的结构样本；其余测试还覆盖旋转、无框表格、负样本、图片筛选、错误契约和性能等内部回归场景。
运行时基础版本包括 pdfjs-dist 5.7.284。未来引擎或 fixture 发生变化时，公开资产的 SHA-256、manifest 和发布校验必须同步更新，否则构建会 fail closed。
这个基准不证明什么
- 不证明像素级视觉一致。字体替代、行宽和 Word 重排都可能改变换行、间距和分页。
- 不证明所有表格都能恢复。复杂嵌套、证据不足的边框、位置敏感布局可能保守降级为段落。
- 不证明扫描 PDF 可直接转 Word。当前 PDF→Word 面向有可提取文字层的文本型 PDF；扫描件需要 OCR 工作流。
- 不承诺浮动对象和精确坐标。三张以上图片、装饰层、密集图文页和复杂浮动版式仍可能丢失或改变位置。
- 不把 3 个公开样本当成总体“成功率”。它们是固定结构合同，用来说明“什么证据当前可以稳定验证”，不是现实世界全部 PDF 的统计抽样。
如果你的目标是继续编辑正文、普通表格和基础结构，可以先用 PDF 转 Word 尝试；如果目标是像桌面排版软件一样复刻复杂页面，应在下载后逐页人工复核。