Benchmark zeigt: Multi-Modal-LLMs übertreffen Text-Parsing bei Rechnungen

Ein neues Benchmark-Studium hat acht multimodale Large Language Models – darunter GPT‑5, Gemini 2.5 und das Open‑Source‑Gemma 3 – auf drei öffentlich verfügbaren Rechnungsdatensätzen getestet. Die Modelle wurden ausschließlich mit Zero‑Shot‑Prompting eingesetzt, um die reine Leistungsfähigkeit zu messen.

Die Untersuchung vergleicht zwei unterschiedliche Vorgehensweisen: Erstens die direkte Bildverarbeitung, bei der die Modelle die Rechnung als Ganzes analysieren, und zweitens ein strukturiertes Parsing, bei dem die Dokumente zunächst in Markdown umgewandelt werden, bevor sie verarbeitet werden. Die Ergebnisse zeigen, dass die native Bildverarbeitung in der Regel die bessere Leistung erzielt, wobei die Unterschiede je nach Modelltyp und Dokumenteigenschaften variieren.

Diese Erkenntnisse liefern wertvolle Hinweise für die Auswahl geeigneter Modelle und Verarbeitungsstrategien in automatisierten Dokumentensystemen. Der zugehörige Code ist online verfügbar, sodass Entwickler die Ergebnisse reproduzieren und weiter anpassen können.