L'ESSENTIEL EN 30 SECONDES

  • Le Document Parsing Protocol (DPP) est présenté comme un brouillon de travail 0.1, annoncé sur le blog de LlamaIndex le 28 octobre 2026.
  • Le guide recense environ 140 règles portant sur la mise en page, les titres, les marques dans le texte, les listes, les tableaux, les formulaires, les graphiques, les images et les schémas.
  • Le code est sous licence MIT et le texte du protocole sous CC BY 4.0 ; chacun peut proposer des règles ou des exemples via le dépôt GitHub.

LlamaIndex, l'entreprise derrière le service d'analyse de documents LlamaParse, a présenté un projet de spécification décrivant la manière dont les outils d'extraction doivent convertir des documents en texte exploitable par des systèmes d'IA. Baptisé Document Parsing Protocol, ou DPP, il a été introduit dans un billet daté du 28 octobre sur le blog de la société et dispose de son propre site ainsi que d'un dépôt GitHub public.

Ce que couvre le brouillon

Le problème visé est bien connu de ceux qui construisent des chaînes de recherche documentaire ou des agents : deux outils appliqués au même PDF peuvent produire des résultats très différents pour un tableau réparti sur deux pages, une case à cocher dans un formulaire ou un graphique. Le site du DPP souligne que ces outils font des milliers de choix de ce type sans presque jamais les documenter, et propose des conventions communes pour que les analyseurs, les annotateurs et les évaluateurs interprètent une page de la même façon.

Le guide porte la mention « brouillon de travail 0.1 » et annonce 140 règles, même si une autre partie du site évoque 145 notes. Elles sont classées par type d'élément : questions propres au document entier, comme les tableaux qui se poursuivent d'une page à l'autre, mise en page et ordre de lecture, titres, texte et marques telles que tampons, signatures ou passages caviardés, listes, tableaux, formulaires, graphiques, et images, y compris plans, cartes et schémas. Une dernière section traite même des structures chimiques et des partitions musicales. Trois principes traversent l'ensemble : conserver ce qui est imprimé, n'encoder que la structure que la page justifie réellement, et signaler l'incertitude plutôt que de deviner. La sortie est définie en Markdown, avec des champs complémentaires facultatifs.

Ouverture et limites

Le code du projet est publié sous licence MIT, tandis que le protocole et ses exemples relèvent de la licence Creative Commons CC BY 4.0. Le site invite les contributeurs extérieurs à proposer des règles, à soumettre des exemples et à ouvrir des pull requests sur GitHub, sans toutefois décrire de gouvernance ni de processus de relecture formels. LlamaIndex indique que ces conventions sont issues de son travail d'évaluation ParseBench, et le projet porte la marque de l'entreprise.

Plusieurs réserves s'imposent. Certaines règles ne sont considérées comme arrêtées qu'au sein de ce brouillon, d'autres restent ouvertes, et l'outil de vérification fourni est présenté comme une aide à la relecture, non comme un test de conformité automatisé. L'adoption du DPP par d'autres éditeurs d'outils d'extraction ou de modèles déterminera s'il devient un standard partagé ou reste la convention maison d'une seule entreprise. Pour l'instant, il s'agit d'une proposition précoce, soumise aux commentaires.