LO ESENCIAL EN 30 SEGUNDOS
- El Document Parsing Protocol (DPP) figura como borrador de trabajo 0.1 y se anunció en el blog de LlamaIndex el 28 de octubre de 2026.
- La guía enumera unas 140 reglas sobre maquetación, títulos, marcas en el texto, listas, tablas, formularios, gráficos, imágenes y diagramas.
- El código usa la licencia MIT y el texto del protocolo CC BY 4.0; cualquiera puede proponer reglas o ejemplos en el repositorio de GitHub.
LlamaIndex, la empresa responsable del servicio de análisis de documentos LlamaParse, ha propuesto un borrador de especificación que describe cómo deberían los analizadores convertir documentos en texto aprovechable por sistemas de IA. Se llama Document Parsing Protocol, o DPP, se presentó en una entrada fechada el 28 de octubre en el blog de la compañía y cuenta con web propia y un repositorio público en GitHub.
Qué cubre el borrador
El problema que aborda resulta conocido para quien construye sistemas de recuperación de información o agentes: dos analizadores aplicados al mismo PDF pueden dar resultados muy distintos ante una tabla repartida en dos páginas, una casilla de un formulario o un gráfico. La web del DPP sostiene que estas herramientas toman miles de decisiones de ese tipo y casi nunca las documentan, y plantea convenciones comunes para que analizadores, anotadores y evaluadores interpreten una página de la misma manera.
La guía lleva la etiqueta de borrador de trabajo 0.1 y anuncia 140 reglas, aunque otra sección de la misma web habla de 145 notas. Se agrupan por tipo de elemento: cuestiones del documento completo, como las tablas que continúan en la página siguiente; maquetación y orden de lectura; títulos; texto y marcas como sellos, firmas o tachaduras de censura; listas; tablas; formularios; gráficos, e imágenes, incluidos planos, mapas y esquemas. Un apartado final trata incluso estructuras químicas y partituras. Tres principios recorren el texto: conservar lo impreso, codificar solo la estructura que la página realmente sustenta y señalar la incertidumbre en lugar de adivinar. La salida se define en Markdown, con campos adicionales opcionales.
Apertura y límites
El código del proyecto se publica con licencia MIT, mientras que el protocolo y sus ejemplos usan Creative Commons CC BY 4.0. La web invita a colaboradores externos a proponer reglas, aportar ejemplos y abrir pull requests en GitHub, aunque no describe una gobernanza ni un proceso de revisión formales. LlamaIndex explica que las convenciones nacieron de su trabajo de evaluación ParseBench, y el proyecto lleva la marca de la empresa.
Conviene tener presentes varias salvedades. Algunas reglas se consideran cerradas solo dentro de este borrador, otras siguen abiertas, y el verificador incluido se presenta como una ayuda para la revisión, no como una prueba automatizada de conformidad. Que otros proveedores de análisis de documentos o creadores de modelos adopten el DPP decidirá si se convierte en un estándar compartido o se queda en la convención interna de una sola empresa. Por ahora es una propuesta temprana abierta a comentarios.