企业文档智能不能只看基准分：OCR/表格/公式一体化小模型的可靠性、成本与人工门禁

引言

近几日，OpenBMB 发布了 MiniCPM-OCR 1.0：约 1.3B 参数、Apache 2.0 许可，覆盖文字、表格、公式、图表与印章，并配套区域级正确性评估模型 MiniCPM-OCR Jev。据官方模型卡，它在 Real5-OmniDocBench 上得分 93.68，在 RTX 5090 上约达每秒 1.2 页，吞吐约为 PaddleOCR-VL-1.6 的 1.49 倍、MinerU2.5 Pro 的 3.62 倍；完整解析管线仍依赖 PP-DocLayoutV3 做版面检测，再由识别模型与 SDK 按阅读顺序拼装 Markdown/JSON⁠^1–5。与此同时，PaddleOCR-VL、MinerU2.5、olmOCR 与若干 1B 级文档视觉语言模型也在同一批基准上密集发布成绩⁠^6–11。对企业采购与落地团队而言，消息面看起来很清楚：基准更高、参数更小、页吞吐更快，似乎就该换模型。

真正决定可用性的，却不是这一条曲线。企业要解析的往往是快消订货单、经销商对账单、药品说明书、不良反应报告附表与内部 SOP 扫描件：版式会季改、字段有业务优先级、错误代价高度不对称，人工复核人手有上限。学术基准如 OmniDocBench 覆盖九类来源、十九类版面与端到端/分模块评测，显著推进了公平比较⁠¹²；Real5-OmniDocBench 进一步引入扫描、弯曲、拍摄、光照与倾斜等物理退化⁠^13,14。但基准页并不等于你们的字段 schema，编辑距离也不等于「金额漏读」的业务损失。DocVQA 与表单理解基准把问题推到「读懂后再回答」⁠^15–18，表格与公式则另有专用数据与综述⁠^19–23。把这些分数直接当作上线门槛，等于用平均页质量代理任务级可靠性。

历史脉络有助于避免「今年的小模型」被当成全新物种。传统 OCR 把问题定义成字符与行的识别，Tesseract 一类引擎至今仍是许多管线的底色⁠²⁴；版面分析在 PubLayNet 之后进入深度学习主舞台⁠²⁵；LayoutLM 家族把文本、版面与图像推进到表单与票据理解⁠^26–28；Donut 与 Nougat 则示范了「整页序列生成」可以不要外部 OCR⁠^29,30。表格与公式长期是专用模块，TEDS 与 Im2LaTeX 等协议塑造了子领域的评价口吻⁠^19,21,22。进入 2024–2026，评测侧出现 OmniDocBench 与 Real5，模型侧出现大量 1B 级文档 VLM，产业叙事迅速收束成「看榜选模型」。本文要做的，是把叙事拉回式 (6)。

另一个易被忽略的背景是：通用多模态大模型的 OCR 能力并不均衡。OCRBench 与后续 v2 显示，不同模型在定位、识别与推理子任务上差异很大，且「会看图聊天」不等于「能稳定读表」⁠^31–33。企业若用闭源大模型 API 做单据解析，单位页成本与数据出境约束往往使 C_compute 与合规成本同时上升，更需要任务级门禁，而不是更少。开源小模型的意义，正是把实验权交回本域；但它交回的是实验权，不是免验收特权。

现有实践有三个缺口。第一，评测对象错位：公开基准优化的是页级或模块级识别质量，生产系统关心的是字段级召回、跨页一致性与版式变更后的回退幅度。第二，成本被拆开算：GPU 小时、SDK 授权、版面模型与人工复核分属不同预算科目，单位成功页成本很少被统一报告。第三，人工门禁要么缺失、要么按「抽检比例」拍脑袋，没有与模型不确定性和复核容量挂钩；而拒识与转交理论早已指出，错误—拒识权衡和人工容量必须同框优化⁠^34–38。

本文的中心论点是：企业文档解析的可用性由「任务级端到端可靠性 × 单位页成本 × 可审计人工门禁」共同决定，而不是 OmniDocBench 类基准分；小参数一体化模型降低了部署门槛，但若不把版面漂移、字段级召回、人工复核容量纳入同一框架，基准领先会系统性高估生产价值。贡献有三点：

1. 用六个编号公式与一张记号表，把任务级可靠性、字段加权召回、版面漂移代价、单位页成本、拒识带与复核容量放进同一套语言。
2. 按「管线式 / 端到端一体化 / 级联＋裁判」对比技术路线，正反证据并列，说明适用边界。
3. 给出可执行的解析—门禁—回流算法（算法 1）与固定种子示意计算，以及五条带时间尺度、证据与证伪条件的前瞻判断。

贡献三点之外，本文的读者预设是：已经做过或即将做文档智能选型的算法负责人、业务负责人与数据治理负责人。纯研究读者可把式 (1)–(6) 当作把「文档解析」翻译成决策语言的一层薄封装；纯业务读者可直接使用第 7 节的验收表与三周节奏。我们刻意避免堆叠更多模型名作为清单，凡出现具体系统，均服务于机制论证或作为可核验锚点。

问题形式化与记号

任务级端到端可靠性

设文档页为 x，业务任务要求抽取字段集合 F = {f₁, …, fₘ}，真值为 y_f，系统输出 ŷ_f。对字段 f 定义指示正确性 I_f = 1[match(ŷ_f, y_f)]，其中 match 由业务约定（精确匹配、归一化数值匹配或允许编辑距离阈值）。设字段权重 w_f ≥ 0 且 Σ_f w_f = 1，反映漏读代价：金额、剂量、批号的权重通常高于页眉页脚。任务级可靠性定义为

R_task 是对「这一单业务是否可用」的期望，而不是页级编辑距离的补。当某关键字段权重接近 1 时，即使整页文字识别率很高，R_task 仍可能很低——这正是「基准好看、上线翻车」的形式化来源。DocVQA 一类问答基准更接近任务视角，但仍以问答准确率而非字段 schema 为中心⁠^15,39,40；表单与票据抽取基准提供了实体级 F1，却很少报告权重化的任务损失⁠^16,17,41。

版面漂移与稳健性缺口

设训练/基准分布为 D₀，上线后第 t 周的真实分布为 D_t。定义版面漂移代价为任务可靠性的下降：

企业文档的 Δ_t 往往来自模板改版、新供应商单据、扫描设备更换与多语混排，而不是基准里已经枚举的退化类型。OmniDocBench 与 Real5 覆盖了丰富属性，但仍是固定评测集⁠^12,13；版面分析数据如 PubLayNet、DocBank、DocLayNet 提供了检测监督，却不能替代你们自己的周更抽检⁠^25,42,43。当 Δ_t 未被监测时，采购时看到的基准分对应的是 R_task(D₀)，生产中消耗的却是 R_task(D_t)。

单位页成本

设处理一页的计算成本为 C_compute（含版面模型与识别模型），工程摊销为 C_eng，人工复核期望成本为 C_human。定义单位页成本与「有效可用页成本」：

C∗ 才是与基准分可对照的经济学量：同样把一页「变成业务可接受的结构化结果」，谁更便宜。官方吞吐数字（如每秒 1.2 页）只进入 C_compute；若忽视 C_human，小模型的成本优势会被高估⁠^1,6,8。

拒识带与人工门禁

对每个字段或区域，系统给出质量分数 s ∈ [0,1]（可来自重复识别一致性、外部裁判模型或最大 softmax 基线）⁠^4,44,45。设自动接受阈值为 τ_hi，强制转人工阈值为 τ_lo，则

这是经典拒识与选择性分类在文档字段上的实例化⁠^34,35。MiniCPM-OCR Jev 把区域级正确性评估显式产品化，说明「解析」与「是否可信」正在分家⁠^2,4。

复核容量

设复核人力可提供的日字段审核量为 K，当日到达的低分数字段量为 N_low。可审计门禁要求

学习转交文献进一步指出，复核者会疲劳、会偏置，容量约束应进入目标函数⁠^{36–38,46,47}。人机协作研究还表明，解释不一定带来互补绩效⁠⁴⁸。

可用性目标

把式 (1)(3)(5) 合在一起，企业文档智能的目标可写为

式 (6) 把「基准分更高」降级为可能改进 R_task 或 C_compute 的手段之一，而不是目标本身。表 1 汇总记号。

分析框架：三条技术路线与四层评测

我们把企业文档解析拆成「表示—解析—门禁—回流」四层，并把市场上的系统归入三条技术路线。

第一层是表示：扫描件、拍照件还是数字原生 PDF；是否已有嵌入文本。第二层是解析：版面分析、文字 OCR、表格结构、公式到 LaTeX、关键信息抽取。第三层是门禁：字段级质量分、双阈值、抽检与审计日志。第四层是回流：复核改正写入本域校准集，驱动阈值与微调。文档解析综述把系统概括为模块化管线与统一视觉语言模型两大范式⁠^49–51；表格、版面与表单各有专述⁠^22,41,52。

三条路线如下。路线 A 是管线式：版面检测（如 PP-DocLayout、DocLayNet 训练的检测器）→ 区域 OCR / 表格 / 公式专家模型 → 阅读顺序与后处理。MinerU、早期 PaddleOCR 工具链、Docling、Marker、GROBID（偏科技 PDF）属于此族⁠^5,53–59。路线 B 是端到端一体化：页面图像直接生成 Markdown/HTML/JSON，Nougat、Donut、GOT-OCR2.0、Fox、olmOCR、PaddleOCR-VL、MiniCPM-OCR、dots.ocr、Dolphin 等属此类或强相关⁠^{1,6,9,11,29,30,60–63}。路线 C 是级联＋裁判：小模型或管线先出结果，再用裁判模型（如 Jev）或二次 VLM 打分，低分转人工或更大模型⁠^4,64。

表 2 说明：一体化小模型改变的是 C_compute 与工程复杂度，并不自动给出 R_task 与 K 的解。下一节从机制上说明基准分为何会高估生产价值。全文按形式化、机制、算法、示意、落地与前瞻的顺序展开，便于跳读。

机制分析：基准分为何高估生产价值

页级指标掩盖字段级不对称

OmniDocBench 的端到端评测使用归一化编辑距离、BLEU、TEDS、阅读顺序等指标，并支持按文档类型与属性切片⁠¹²。这对比较系统很有价值。企业任务却通常是稀疏监督：一页里真正进入下游规则或评分卡的字段可能只有数个到数十个。式 (1) 中若金额字段权重为 0.4、其余二十个字段均分 0.6，则金额一次漏读对 R_task 的打击，相当于其余字段合计错一大片。PubTabNet 以 TEDS 衡量表格树编辑距离，能抓住结构错误，但仍是「表内均匀」的度量⁠¹⁹；票据与表单基准报告实体 F1，默认各类实体同等重要⁠^16–18。机制上，基准优化的是近似均匀的符号误差，生产损失是高度不对称的字段误差——两者同调，只有在字段重要性接近均匀时才成立。

反方证据也要写明：若业务本身就是「整页入库进 RAG、不区分字段」，页级编辑距离与检索命中率相关，基准分的代理作用更强；科技 PDF 转 LaTeX 的场景下，Nougat 一类模型的页级 markup 质量接近任务本身⁠^30,58。即便如此，Nougat 作者报告了约 1.5% 页出现重复坍塌、域外更高，且生成速度远慢于 GROBID 处理数字原生 PDF 的路径⁠³⁰——这提醒我们，即使任务接近基准，稳定性和成本仍进入式 (3)。

版面漂移把「一次性评测」变成「过期合格证」

式 (2) 的 Δ_t 在企业里几乎必然非零。快消渠道的订货单会随促销政策改版；制药说明书与安全信息表会随法规更新插入新节；同一供应商的扫描分辨率也可能在设备更换后整体偏移。OmniDocBench 与 Real5 把扫描、弯曲、倾斜、翻拍等物理因素纳入评测，缩小了「干净 PDF 训练、脏图上线」的鸿沟⁠^12,13；PaddleOCR-VL-1.5 亦强调野外鲁棒⁠⁷。但「评测集里有脏图」不等于「你们下季度的新模板已被覆盖」。LayoutLM 系列通过文本—版面—图像联合预训练提升表单与 DocVQA，本质是学习跨版式不变性，却仍需本域微调才能稳住实体 F1⁠^26–28。DocLayNet 等人标版面数据说明工业级多样性要靠持续标注，而不是一次下载⁠⁴³。

机制结论：基准分是 R_task(D₀) 的嘈杂代理；未监测 Δ_t 时，任何领先都只是发证日快照。这与风险模型校准「过期」是同构问题：配置或分布一变，原阈值失效。

一体化小模型降低的是部署门槛，不是人工门禁需求

MiniCPM-OCR、PaddleOCR-VL（0.9B）、LightOnOCR（约 1B）等把可部署性推到单卡甚至边缘侧，官方吞吐与多芯片适配降低了 C_compute⁠^1,3,6,11。MinerU2.5 用粗到细两阶段解耦版面与内容，试图在高分辨率下保住精度与效率⁠⁸；并行 token 预测等工作则直接打推理时延⁠⁶⁴。这些进展真实且重要。

但端到端生成式 OCR 有三类结构性风险。其一是幻觉与重复：Nougat 已详细分析重复环；通用多模态模型的 OCR 评测也显示缺字、乱序与「看起来通顺」的错误⁠^30–33。其二是坐标与可定位性弱：许多端到端系统输出纯文本，字段级框要靠二次对齐，增加 C_eng。其三是错误不可局部替换：管线式可只换表格专家，一体化模型往往要整模微调或整页重跑。Donut 证明了「无 OCR 引擎」的 VDU 可行，但也把误差藏进序列解码⁠²⁹。因此，小模型让「买得起、跑得动」成立，并不自动让式 (4)(5) 的门禁消失；相反，正因为单页更便宜，业务会提高流量，N_low 更容易顶满 K。

Jev 一类裁判模型把 s 产品化，是正确方向：据官方介绍，约 2B 的 Jev 在 JevOCRBench 上 AUROC×100 达 93.6，并声称跨多种解析器结果具有一致性⁠^2,4。反方是：裁判会错，且与解析器相关误差可能共模；最大 softmax 与简单一致性仍是需要报告的基线⁠^44,45。温度缩放等校准不改变排序，只改变阈值可用性——与文档质量分场景同理。

表格与公式：子任务天花板决定任务级下限

表格检测与结构识别长期被当作独立难题，综述总结了行列表格切分、图重建与端到端方法，并强调版式多变导致「通用方法困难」⁠^19,20,22,65。公式识别从 Im2LaTeX 到 UniMER，关注印刷体与手写体、以及真实拍照公式⁠^21,23。一体化模型把这些子任务塞进同一解码器，基准上的平均分可能被文字段落「拉高」：若文字区域占比高、表格公式占比低，整页指标掩盖了结构区失效。OmniDocBench 支持分模块评测，这是它相对早期端到端基准的改进⁠¹²；企业若只看单一总分，等于放弃这一改进。

对快消对账单与药品说明书，表格/多栏恰恰是高权重字段所在。此时应强制报告结构区子集上的 R_task，而不是整页平均。科学图表与表格理解的综述同样强调「检测到应用」全链路，而不是单点检测率⁠⁵²。

人工门禁的容量与审计，不是「再加个抽检比例」

式 (5) 把 K 写成硬约束。学习转交文献表明：在工作量约束下优化转交、考虑多专家与疲劳，才能降低期望代价⁠^36–38,46；监督容量有上限，审核者一致性有限⁠⁴⁷。文档场景的可审计门禁还要求：每条自动接受记录保留模型版本、版面版本、s、阈值与是否命中规则；每条人工改定写回字段级标签，供估计 Δ_t 与重拟合 τ。没有日志，就没有「可审计」，只剩不可复盘的抽检。

常见错误看法是：「模型已经 90 多分，抽检 5% 即可」。若低分样本占 20% 而 K 只能覆盖 8%，则要么漏放，要么积压。式 (6) 要求先满足 N_low ≤ K 与关键字段漏读率 ≤ α，再谈扩大自动比例。人机团队研究提醒：有解释不等于更互补⁠⁴⁸，门禁设计应优化决策后果而非界面说服力。

从「能读」到「能入账」：RAG 与变量衍生放大误差

文档解析很少是终点。解析结果会进入检索增强生成、规则引擎或变量衍生管道。对 RAG 而言，阅读顺序错误与标题层级幻觉会污染切块边界，使回答看似流利却引用错段；对变量衍生而言，时间窗口与状态字段一旦偏一列，五维变量会整体偏移。文档解析综述把结构化抽取视为知识库与 RAG 的上游⁠^49,50；视觉富文档问答综述则指出多页与多模态推理需求在上升⁠^40,51。机制上，下游对解析误差往往是非线性放大：一个错位的小数点在汇总报表里可变成千元级偏差，而页级编辑距离可能只动了不到 1%。因此，R_task 必须在「入账前」定义，而不是在「出模型后」定义。

这也解释了为什么「换一个更高分的一体化模型」常常令人失望：新模型可能在报纸与手写笔记子集上拉高总分，却在你们的多栏对账单上没有收益，甚至因为解码风格变化导致后处理正则失效，C_eng 上升。Fox 等多页聚焦方法、DocFusion 等统一检测识别框架，都在试图补「只出文本、难定位」的短板⁠^61,66，但其收益仍然要用式 (1) 与式 (3) 衡量。

反方情形：何时基准分几乎够用

为避免一边倒，我们列出基准分代理作用较强的情形。第一，任务接近全文数字化入库，字段权重近似均匀，例如内部档案全文检索。第二，文档类型与 OmniDocBench 某子集高度同分布，且短期内不改版。第三，人工门禁的 α 很松，漏读代价低。第四，使用数字原生 PDF 的文本层（GROBID/Marker 路线）且只处理嵌入字体良好的论文或报告⁠^55,57,58。在这些情形，追逐公开榜与提升吞吐是合理主策略。本文的批评针对的是把上述情形的策略，错误外推到高不对称字段、高漂移、高 α 的企业单据——而这正是快消与制药落地中的常见单据类型⁠^67,68。

经典 OCR 引擎如 Tesseract 与 PP-OCR 仍在管线中大量存在，它们的报错模式（字符混淆、行切分）与 VLM 幻觉不同，混用时质量分 s 的标定必须分开做⁠^24,54,69。TrOCR 等变压器 OCR 改善了行级识别，但不解决表格结构与字段门禁。把所有错误当成同一分布的 s，会低估某类致命混淆。

评测协议建议：一张「可采购」的验收表

综合上文，企业可把验收写成一张最小表：本域页数与抽样方式；字段 schema 与 w_f；R_task 与关键字段漏读率；按旧/新模板切片的 Δ；C_compute、C_human 与 C∗；τ_lo/τ_hi 与 K；模型与阈值版本哈希；失败案例的人工可读报告。少任何一项，供应商的「SOTA」都无法与式 (6) 对账。OCRBench 与 OCRBench v2 提醒我们，多模态模型的 OCR 能力参差且任务分解很重要⁠^31,32；企业验收应借鉴其「分解」精神，而不是只看排行榜最高分。RVL-CDIP 等分类基准与解析任务不同，不能拿文档分类准确率冒充解析可靠性⁠⁷⁰。

成本会计：把「页/秒」还原成 C∗

官方吞吐测试通常固定硬件、并发与加速配置。例如 MiniCPM-OCR 报告在 RTX 5090、OmniDocBench v1.6 全量 1651 张图、图像级并发 1 的条件下约 1.2 页/秒，并给出相对其他开源系统的倍速⁠¹。这类数字对容量规划有用，但换到企业集群可能是不同卡型、不同量化、CPU 版面、PDF 渲染预处理与对象存储往返。C_eng 还包括正则后处理、表头别名映射、重试与失败队列。C_human 则随字段语言、工具 UI 与人员熟练度变化。把页/秒直接当成本，相当于只报了式 (3) 的第一项。

一个可操作的做法是：POC 阶段强制输出「每 1000 页」的三列成本与两列质量（R_task、关键字段漏读率），再算 C∗。若供应商拒绝提供人工工时假设，就用你们自己的历史复核工时填。这样，即使两家代理基准分相差 0.5 分，也可以在同一张表上比较。olmOCR 强调大规模 PDF 转文本的工具属性，MinerU 强调精确内容提取的开源方案，PaddleOCR-VL 强调多语言与元件识别，定位不同，更不能只看单一总分⁠^6,9,49,53。

当量化或投机解码（如 DSpark）引入时，还要回归 R_task：官方称端到端效率可提升约 55%，但量化在密集代码/XML 上可能掉点⁠^1,2。任何加速手段都要进入「质量—成本」同一张图，防止「更快地产出不可用结果」。

算法：解析—门禁—回流

下面给出与式 (1)–(6) 对齐的可执行流程。质量分 s 可以来自裁判模型、重复解码一致性或校准后的置信度；阈值在本域校验集上选定。

算法 1 的关键纪律是第 5 步：容量不够时必须显式降级，不能把溢出样本默认为正确。这与学习转交在工作量约束下的处理一致⁠^38,46。保形与分布无关风险控制可为 α 提供有限样本语言，但依赖校验集与线上可交换；版式一改就需重估⁠⁷¹。

示意计算：基准分接近时 C∗ 仍可差一倍

我们构造一个可复算示意（随机种子 20261103），不是某厂商实测。假设两套系统在「公开基准代理分」上同为 0.93，但字段权重与人工策略不同。系统 L（仅看页级分、固定 5% 抽检）与系统 G（按算法 1，关键字段权重高、双阈值）。设每日 1 万页、每页 10 个字段，关键字段 2 个权重各 0.35，其余 8 个均分 0.30。关键字段自动正确率 L 为 0.90、G 为 0.93；非关键字段两者均为 0.96。计算成本每页 L 为 0.008 元、G 为 0.010 元；人工每字段复核 0.05 元；关键字段漏读损失显著高于普通字段。G 将约 12% 字段转人工且优先覆盖关键字段，L 固定抽检 5% 且均匀。脚本见 `src/sim.py`（种子 20261103，可打印核对）。

结果（示意，见脚本打印）：门禁后 R_task(L) ≈ 0.92、R_task(G) ≈ 0.95；仅算计算+人工时 G 的 C∗ 可能更高，但计入关键字段漏读的期望损失后，G 的总有效成本显著更低。直观含义是：在代理基准分相同的假象下，加权可靠性与门禁策略仍主导「含损失」的单位成本；只比较页/秒会选错系统。示意参数刻意放大关键字段损失，以暴露「只看吞吐」的盲区；真实 POC 应替换为业务标定的损失矩阵。图 1–3 给出 R_task 随关键字段正确率、C∗ 随转人工比例、以及容量顶满时的溢出风险。

示意结果的数值表

表 4 的教学意义大于预测意义：它显示「同榜分」可以对应完全不同的式 (6) 状态。真实 POC 应替换为你们的 w_f、实测正确率与工时。

与数据治理接口：解析之后才是变量

在变量衍生平台的语境中，单据字段是原始详单，经过时间、产品、状态、值与统计五个维度才能变成可解释变量⁠⁷²。若上游解析把「赠品行」合并进「主品行」，下游统计再正确也只是精确地错。场景智能体负责把「解析—校验—入账—例外」编排成可监督流程，人工门禁是流程节点而不是事后补丁⁠⁷³。推训一体平台上的多模态理解，同样应输出可打分的结构，而不是不可审计的自然语言摘要冒充字段⁠⁷⁴。这些接口约束，比在软文中重复产品形容词更有用。

对实施节奏，我们建议三周最小可行：第 1 周冻结 schema 与权重，抽 300 页双标；第 2 周跑候选模型与基线管线，算 R_task 与 C∗；第 3 周上双阈值试运行，测量 N_low 与复核工时，再决定是否全量。跳过双标直接全量，等于把式 (1) 的期望建立在宣传稿上。

企业落地：快消单据与制药说明书，而不是「再刷一榜」

快消场景里，订单、收货单与经销商对账单进入变量衍生与渠道评分之前，必须先变成可信字段。订货量、单价、折扣与赠品行经常藏在复杂表格或不规则版式中；一旦漏行，下游「时间＋产品＋状态＋值＋统计」的变量会系统性偏⁠^67,72。此时采购清单应要求：供应商提供本域 200–500 页字段级评测、关键字段加权 R_task、Δ_t 的周监测协议，以及与场景智能体对接的门禁日志，而不是只提供 OmniDocBench 截图⁠⁷³。

制药场景里，说明书、标签与安全性表格的剂量、禁忌与批号属于高 α 约束字段。解析错误进入不良事件流程或知识库后，召回成本远高于多付一倍推理账⁠⁶⁸。多模态文档理解能力若存在于推训一体平台，也应默认套上算法 1 的门禁，而不是「能读就自动写库」⁠⁷⁴。产品植入到此为止：VDC 承接的是解析之后的变量与数据治理，场景智能体承接带门禁的流程编排；它们不替代 OCR 基准，只要求 OCR 输出可被式 (6) 约束。

行业里还有一种常见的错误激励：算法团队的 KPI 是公开榜分数，运营团队的 KPI 是人均处理量，风控或质量团队的 KPI 是投诉率。三者优化目标与式 (6) 不一致时，组织会自动选择「刷榜＋降低抽检」。纠正办法是把 R_task、C∗ 与 α 违约次数写成共同 KPI，并在变更评审中强制出示 Δ_t。开源生态的繁荣（MinerU、Docling、Marker、olmOCR、PaddleOCR-VL、MiniCPM-OCR 等）降低了试错成本，但试错必须按同一张验收表，否则只会积累不可比的 notebook⁠^{1,6,9,53,55,57}。

对「是否自研微调」的决策，可以用简单规则：若连续两周 Δ_t 超过预设带宽，且错误集中在可归纳的版式族，则优先本域微调或加规则后处理；若错误呈长尾幻觉，则优先加裁判与人工，而不是盲目加大模型。DocBank 与大规模版面数据说明，版式族可被聚类与增广⁠^25,42；幻觉则更接近生成模型的解码问题，换更大模型不保证字段级 α。

对工程团队的可执行建议可以压成五条。第一，建立字段 schema 与权重，把评测从页级改成 R_task。第二，保留至少一类物理退化测试（扫描/拍照）和一类语义漂移测试（新旧模板）。第三，统一 C∗ 账本，把人工复核写入同一张表。第四，上线双阈值与容量告警，禁止静默放行溢出样本。第五，版本钉扎：解析模型、版面模型、裁判与阈值同版本号发布，变更走回归。工具链上，开源管线与小模型可以并存：管线便于定点替换，小模型便于降本；选型标准是式 (6)，不是排行榜名次⁠^1,6,49,53,55。

前瞻判断

判断 1（6–12 个月）。一体化小模型（约 1B 级）会成为中文企业文档解析的默认候选底座之一，但采购合同将更多要求本域字段级验收而非公开总分。证据：MiniCPM-OCR、PaddleOCR-VL、LightOnOCR 等同档密集发布与开源部署配套⁠^1,6,11。证伪：若未来半年公开榜与企业 POC 的字段级相关在多行业稳定高于 0.9，则可认为公开总分已足够。对企业：现在就准备 schema 与加权评测脚本，避免只会对比宣传页。

判断 2（12 个月）。「解析模型＋质量裁判」会成为高代价字段的标准架构，类似测试时计算分流。证据：Jev 与级联思路；学习转交与容量约束文献⁠^4,38,64。证伪：若端到端模型在关键字段上无门禁即稳定满足 α，裁判层会被弃用。对企业：把裁判与日志算进 C_page，而不是当成可选插件。

判断 3（12–18 个月）。版面语义漂移监测（模板指纹、字段定位分布、周 Δ_t）会进入 MLOps 常规，物理退化榜的边际新闻价值下降。证据：Real5 已覆盖成像；企业事故更多来自改版⁠^13,43。证伪：若厂商提供持续刷新且与客户模板同分布的评测订阅，外部榜可近似替代。对企业：自行抽检的预算不能裁掉。

判断 4（18–24 个月）。单位有效页成本 C∗ 会替代「页/秒」成为可比报价单位的一部分。证据：算力报价内卷与人工成本黏性并存；交付链竞争已把单位成功成本推到前台（行业旁证）。证伪：若人工复核全面自动化且误差可忽略，C_human→0，吞吐再次主导。对企业：要求供应商报价拆开 compute / eng / human。

判断 5（24 个月）。多页、跨页字段一致性（票据附件、说明书续页）会成为新的短板披露点，单页榜领先不再足以中标。证据：Multi-Page DocVQA 与长文档理解需求⁠^39,40,61。证伪：若单页系统加朴素拼接即可在跨页任务上匹配专用方法。对企业：验收用例必须含跨页样本。

对常见看法的直接回应

看法一：「榜上第一的模型上线风险最低。」回应：榜上第一优化的是公开分布上的平均符号质量；在加权字段与漂移下，它与 R_task(D_t) 的相关性未被保证。看法二：「小模型不够智能，关键单据必须上更大模型。」回应：关键的是 α 与门禁，不是参数量；更大模型可能提高 R_task，也可能在 C∗ 与幻觉模式上更糟，需本域对照。看法三：「我们会人工抽检，所以自动解析可以激进。」回应：抽检若无双阈值与容量约束，等于把式 (5) 当成口号；溢出样本被静默通过时，抽检统计本身是偏的。看法四：「端到端已经淘汰管线。」回应：管线在可定位修复与专家替换上仍有结构优势；许多「端到端」产品内部仍挂独立版面模块，例如 MiniCPM-OCR 官方管线对 PP-DocLayoutV3 的依赖⁠^1,5。看法五：「开源模型不能进生产。」回应：生产性来自门禁、版本与审计，不来自闭源标签；开源反而便于钉扎权重哈希与离线复现。

这些回应可以写进采购 FAQ，减少「演示日刷页、上线月救火」的循环。文档智能从检测走到应用的综述也反复强调：没有应用层指标，检测率会膨胀成幻觉繁荣⁠^41,52。

研究议程与开放问题

开放问题包括：如何在极小本域样本下估计 w_f 与 α 的敏感性；质量分 s 的跨解析器校准如何避免共模失效；表格关键格的因果漏读如何自动发现；以及当场景智能体改写下游动作时，文档门禁的审计责任如何切分。文档智能综述已列出复杂版式、VLM 可靠性与推理效率等挑战，与本文式 (6) 一致⁠^49–51。另一开放问题是：合成版式增强能否系统降低 Δ_t，还是只会拟合增强器本身——需要有预注册的本域测试。此外，字段权重 w_f 本身可能随业务季节变化，例如促销期赠品字段权重上升，门禁阈值应允许配置化而不是写死在模型里。如何把配置变更纳入与模型变更同一套回归，是工程议程而非纯算法议程。跨供应商单据的「字段对齐」（同一语义不同表头）也超出了纯 OCR，需要轻量本体或规则层；把对齐错误算在 OCR 头上，会错误惩罚解析模型。

局限

本文不声称对 MiniCPM-OCR 或任何竞品做了独立测速与复现；凡写「据官方数据／据论文」的数字均来自发布方。示意计算是结构化假说，用于展示式 (1)(3)(5) 的相互作用，不代表某行业均值。未覆盖手写体为主的单据、小语种与强隐私线下光闸环境的专项数据。产品段落仅作变量衍生与流程编排语境下的接口说明，不构成效果承诺。

结论

企业文档智能的核心问题，不是「谁在 OmniDocBench 上又高了一分」，而是能否在真实字段权重、真实漂移与真实人工容量下，把单位可用页成本压到可接受。一体化小模型显著降低了部署与算力门槛，应积极评估；但若不同时建设任务级可靠性、成本账本与可审计门禁，基准领先会系统性地翻译成错误的上线信心。用式 (6) 做选型与验收，用算法 1 做运行时纪律，比追逐下一张排行榜截图更接近生产价值。

局限之外，需要声明的方法选择是：我们以机制论证与文献综合为主，不以新榜复现为主。原因是企业可用性的瓶颈往往在指标错位与门禁缺失，而不是缺少又一个公开分数。若未来出现带字段权重与漂移协议的开放评测，本文将乐见其成为比 OmniDocBench 总分更接近式 (6) 的公共品。在那之前，把验收留在企业本域，是更诚实的工程态度。

结论可以收成一句话：小模型值得用，基准分值得看，但只有任务级可靠性、单位页成本与可审计人工门禁同时在场，文档智能才从「演示」变成「可用」。

参考文献

1. 1.OpenBMB. MiniCPM-OCR 1.0 (model card). Hugging Face, https://huggingface.co/openbmb/MiniCPM-OCR-1.0 (2026).
2. 2.OpenBMB. MiniCPM-OCR: Fast, accurate OCR with correctness assessment. GitHub, https://github.com/OpenBMB/MiniCPM-OCR (2026).
3. 3.ModelBest & OpenBMB. ModelBest and OpenBMB Open-Source MiniCPM-OCR Series. PR Newswire, https://www.prnewswire.com/news-releases/modelbest-and-openbmb-open-source-minicpm-ocr-series-delivering-high-performance-document-parsing-and-ai-powered-quality-control-302925594.html (2026).
4. 4.OpenBMB. MiniCPM-OCR Jev (model card). Hugging Face / GitHub MiniCPM-OCR docs, https://github.com/OpenBMB/MiniCPM-OCR (2026).
5. 5.PaddlePaddle Team. PP-DocLayout: A Unified Document Layout Detection Model to Accelerate Large-Scale Data Construction. Preprint at https://arxiv.org/abs/2503.17213 (2025).
6. 6.Cui, C. et al. PaddleOCR-VL: Boosting Multilingual Document Parsing via a 0.9B Ultra-Compact Vision-Language Model. Preprint at https://arxiv.org/abs/2510.14528 (2025).
7. 7.Niu, J. et al. PaddleOCR-VL-1.5: Towards a Multi-Task 0.9B VLM for Robust In-the-Wild Document Parsing. Preprint at https://arxiv.org/abs/2601.21957 (2026).
8. 8.Niu, J. et al. MinerU2.5: A Decoupled Vision-Language Model for Efficient High-Resolution Document Parsing. Preprint at https://arxiv.org/abs/2509.22186 (2025).
9. 9.Poznanski, J. et al. olmOCR: Unlocking Trillions of Tokens in PDFs with Vision Language Models. Preprint at https://arxiv.org/abs/2502.18443 (2025).
10. 10.Poznanski, J. et al. olmOCR 2: Unit Test Rewards for Document OCR. Preprint at https://arxiv.org/abs/2510.19817 (2025).
11. 11.LightOn. LightOnOCR: A 1B End-to-End Multilingual Vision-Language Model for State-of-the-Art Document Understanding. Preprint at https://arxiv.org/abs/2601.14251 (2026).
12. 12.Ouyang, L. et al. OmniDocBench: Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations. Preprint at https://arxiv.org/abs/2412.07626 (2024); CVPR 2025.
13. 13.Real5-OmniDocBench authors. Real5-OmniDocBench: A Full-Scale Physical Reconstruction Benchmark for Document Parsing. Preprint at https://arxiv.org/abs/2603.04205 (2026).
14. 14.PaddlePaddle. Real5-OmniDocBench dataset and leaderboard. Hugging Face, https://huggingface.co/datasets/PaddlePaddle/Real5-OmniDocBench (2026).
15. 15.Mathew, M., Karatzas, D. & Jawahar, C. V. DocVQA: A Dataset for VQA on Document Images. In Proc. IEEE/CVF Winter Conference on Applications of Computer Vision 2200–2209 (2021); https://arxiv.org/abs/2007.00398.
16. 16.Jaume, G., Ekenel, H. K. & Thiran, J.-P. FUNSD: A Dataset for Form Understanding in Noisy Scanned Documents. In Proc. ICDAR Workshops (2019); https://arxiv.org/abs/1905.11640.
17. 17.Park, S. et al. CORD: A Consolidated Receipt Dataset for Post-OCR Parsing. In Proc. Document Intelligence Workshop at NeurIPS (2019).
18. 18.Huang, Z. et al. ICDAR 2019 Competition on Scanned Receipt OCR and Information Extraction. In Proc. International Conference on Document Analysis and Recognition (2019).
19. 19.Zhong, X., ShafieiBavani, E. & Jimeno Yepes, A. Image-based table recognition: data, model, and evaluation. In Proc. European Conference on Computer Vision (2020); https://arxiv.org/abs/1911.10683.
20. 20.Li, M. et al. TableBank: Table Benchmark for Image-based Table Detection and Recognition. In Proc. Language Resources and Evaluation Conference (2020); https://arxiv.org/abs/1903.01949.
21. 21.Deng, Y., Kanervisto, A., Ling, J. & Rush, A. M. Image-to-Markup Generation with Coarse-to-Fine Attention. In Proc. 34th International Conference on Machine Learning 980–989 (PMLR, 2017); https://arxiv.org/abs/1609.04938.
22. 22.Kasem, M. S. et al. Deep Learning for Table Detection and Structure Recognition: A Survey. ACM Comput. Surv. 56, 1–41 (2024); https://doi.org/10.1145/3657281.
23. 23.Wang, B. et al. UniMER: Universal Mathematical Expression Recognition. Preprint at https://arxiv.org/abs/2404.15254 (2024).
24. 24.Smith, R. An Overview of the Tesseract OCR Engine. In Proc. International Conference on Document Analysis and Recognition 629–633 (2007); https://doi.org/10.1109/ICDAR.2007.4376991.
25. 25.Zhong, X., Tang, J. & Yepes, A. J. PubLayNet: largest dataset ever for document layout analysis. In Proc. International Conference on Document Analysis and Recognition 1015–1022 (2019); https://arxiv.org/abs/1908.07836.
26. 26.Xu, Y. et al. LayoutLM: Pre-training of Text and Layout for Document Image Understanding. In Proc. 26th ACM SIGKDD 1192–1200 (2020); https://arxiv.org/abs/1912.13318.
27. 27.Xu, Y. et al. LayoutLMv2: Multi-modal Pre-training for Visually-Rich Document Understanding. In Proc. 59th Annual Meeting of the Association for Computational Linguistics 2572–2586 (2021); https://arxiv.org/abs/2012.14740.
28. 28.Huang, Y., Lv, T., Cui, L., Lu, Y. & Wei, F. LayoutLMv3: Pre-training for Document AI with Unified Text and Image Masking. In Proc. 30th ACM International Conference on Multimedia 4083–4091 (2022); https://arxiv.org/abs/2204.08387.
29. 29.Kim, G. et al. OCR-free Document Understanding Transformer. In Proc. European Conference on Computer Vision (2022); https://arxiv.org/abs/2111.15664.
30. 30.Blecher, L., Cucurull, G., Scialom, T. & Stojnic, R. Nougat: Neural Optical Understanding for Academic Documents. Preprint at https://arxiv.org/abs/2308.13418 (2023).
31. 31.Liu, Y. et al. OCRBench: On the Hidden Mystery of OCR in Large Multimodal Models. Preprint at https://arxiv.org/abs/2305.07895 (2023).
32. 32.Fu, L. et al. OCRBench v2: An Improved Benchmark for Evaluating Large Multimodal Models on Visual Text Localization and Reasoning. Preprint at https://arxiv.org/abs/2501.00321 (2024).
33. 33.Shi, Y. et al. Exploring OCR Capabilities of GPT-4V(ision): A Quantitative and In-depth Evaluation. Preprint at https://arxiv.org/abs/2310.16809 (2023).
34. 34.Chow, C. On optimum recognition error and reject tradeoff. IEEE Trans. Inf. Theory 16, 41–46 (1970); https://doi.org/10.1109/TIT.1970.1054406.
35. 35.Geifman, Y. & El-Yaniv, R. Selective Classification for Deep Neural Networks. In Advances in Neural Information Processing Systems 30 (2017); https://arxiv.org/abs/1705.08500.
36. 36.Madras, D., Pitassi, T. & Zemel, R. Predict Responsibly: Improving Fairness and Accuracy by Learning to Defer. In Advances in Neural Information Processing Systems 31 (2018); https://arxiv.org/abs/1711.06664.
37. 37.Mozannar, H. & Sontag, D. Consistent Estimators for Learning to Defer to an Expert. In Proc. 37th International Conference on Machine Learning (PMLR, 2020); https://arxiv.org/abs/2006.01862.
38. 38.Alves, J. V. et al. Cost-Sensitive Learning to Defer to Multiple Experts with Workload Constraints. Preprint at https://arxiv.org/abs/2403.06906 (2024).
39. 39.Tito, R., Karatzas, D. & Valveny, E. Hierarchical multimodal transformers for Multi-Page DocVQA. Preprint at https://arxiv.org/abs/2212.05935 (2022).
40. 40.Barboule, C., Piwowarski, B. & Chabot, Y. Survey on Question Answering over Visually Rich Documents: Methods, Challenges, and Trends. Preprint at https://arxiv.org/abs/2501.02235 (2025).
41. 41.Abdallah, A., Eberharter, D., Pfister, Z. & Jatowt, A. A survey of recent approaches to form understanding in scanned documents. Artif. Intell. Rev. 57, 288 (2024); https://doi.org/10.1007/s10462-024-11000-0.
42. 42.Li, M. et al. DocBank: A Benchmark Dataset for Document Layout Analysis. In Proc. International Conference on Computational Linguistics (2020); https://arxiv.org/abs/2006.01038.
43. 43.Pfitzmann, B., Auer, C., Dolfi, M., Nassar, A. S. & Staar, P. DocLayNet: A Large Human-Annotated Dataset for Document-Layout Segmentation. In Proc. 28th ACM SIGKDD 3743–3751 (2022); https://arxiv.org/abs/2206.01062.
44. 44.Hendrycks, D. & Gimpel, K. A Baseline for Detecting Misclassified and Out-of-Distribution Examples in Neural Networks. In Proc. International Conference on Learning Representations (2017); https://arxiv.org/abs/1610.02136.
45. 45.Guo, C., Pleiss, G., Sun, Y. & Weinberger, K. Q. On Calibration of Modern Neural Networks. In Proc. 34th International Conference on Machine Learning 1321–1330 (PMLR, 2017); https://arxiv.org/abs/1706.04599.
46. 46.Zhang, Z., Nguyen, C. C., Rosewarne, D., Wells, K. & Carneiro, G. Fatigue-Aware Learning to Defer via Constrained Optimisation. Preprint at https://arxiv.org/abs/2604.00904 (2026).
47. 47.Turan, E. Oversight Has a Capacity: Calibrating Agent Guards to a Subjective, Fatiguing Human. Preprint at https://arxiv.org/abs/2606.08919 (2026).
48. 48.Bansal, G. et al. Does the Whole Exceed its Parts? The Effect of AI Explanations on Complementary Team Performance. In Proc. 2021 CHI Conference on Human Factors in Computing Systems 1–16 (ACM, 2021); https://doi.org/10.1145/3411764.3445717.
49. 49.Zhang, Q. et al. Document Parsing Unveiled: Techniques, Challenges, and Prospects for Structured Information Extraction. Preprint at https://arxiv.org/abs/2410.21169 (2024).
50. 50.Wang, W. et al. Document Intelligence in the Era of Large Language Models: A Survey. Preprint at https://arxiv.org/abs/2510.13366 (2025).
51. 51.Ding, Y., Han, S. C., Lee, J. Y. H. & Hovy, E. H. Deep Learning based Visually Rich Document Content Understanding: A Survey. Preprint at https://arxiv.org/abs/2408.01287 (2024).
52. 52.Huang, J., Chen, H., Yu, F. & Lu, W. From Detection to Application: Recent Advances in Understanding Scientific Tables and Figures. ACM Comput. Surv. (2024); https://doi.org/10.1145/3657285.
53. 53.Wang, B. et al. MinerU: An Open-Source Solution for Precise Document Content Extraction. Preprint at https://arxiv.org/abs/2409.18839 (2024).
54. 54.Du, Y. et al. PP-OCR: A Practical Ultra Lightweight OCR System. Preprint at https://arxiv.org/abs/2009.09941 (2020).
55. 55.Livathinos, N. et al. Docling: An Efficient Open-Source Toolkit for AI-driven Document Conversion. Preprint at https://arxiv.org/abs/2501.17887 (2025).
56. 56.Livathinos, N. et al. Docling Technical Report. Preprint at https://arxiv.org/abs/2408.09869 (2024).
57. 57.VikParuchuri. Marker: Convert PDF to markdown quickly with high accuracy. GitHub, https://github.com/VikParuchuri/marker (2024).
58. 58.GROBID. GeneRation Of BIbliographic Data. GitHub, https://github.com/kermitt2/grobid (2008–2024).
59. 59.DocXChain: A Powerful Open-Source Toolchain for Document Parsing and Beyond. Preprint at https://arxiv.org/abs/2310.12430 (2023).
60. 60.Wei, H. et al. General OCR Theory: Towards OCR-2.0 via a Unified End-to-end Model. Preprint at https://arxiv.org/abs/2409.01704 (2024).
61. 61.Liu, C. et al. Focus Anywhere for Fine-grained Multi-page Document Understanding. Preprint at https://arxiv.org/abs/2405.14295 (2024).
62. 62.Li, G. et al. dots.ocr: Multilingual Document Layout Parsing in a Single Vision-Language Model. Preprint at https://arxiv.org/abs/2512.02452 (2025).
63. 63.Feng, H. et al. Dolphin: Document Image Parsing via Heterogeneous Anchor Prompting. Preprint at https://arxiv.org/abs/2505.14059 (2025).
64. 64.Efficient Document Parsing via Parallel Token Prediction. Preprint at https://arxiv.org/abs/2603.15206 (2026).
65. 65.Prasad, D., Gadpal, A., Kapadni, K., Visave, M. & Sultanpure, K. CascadeTabNet: An approach for end to end table detection and structure recognition from image-based documents. In Proc. CVPR Workshops (2020); https://arxiv.org/abs/2004.12629.
66. 66.Chai, M. et al. DocFusion: A Unified Framework for Document Parsing Tasks. Preprint at https://arxiv.org/abs/2412.12505 (2024).
67. 67.弘犀智能（Great Unicorn Intelligence）. 快消方案（FMCG Solutions）. https://www.hxallai.com/en/solutions/fmcg/ (2026).
68. 68.弘犀智能（Great Unicorn Intelligence）. 制药方案（Pharma Solutions）. https://www.hxallai.com/en/solutions/pharma/ (2026).
69. 69.Li, M. et al. TrOCR: Transformer-based Optical Character Recognition with Pre-trained Models. In Proc. AAAI Conference on Artificial Intelligence 37, 13094–13102 (2023); https://arxiv.org/abs/2109.10282.
70. 70.Harley, A. W., Ufkes, A. & Derpanis, K. G. Evaluation of Deep Convolutional Nets for Document Image Classification and Retrieval. In Proc. International Conference on Document Analysis and Recognition 991–995 (2015); https://arxiv.org/abs/1502.07058.
71. 71.Angelopoulos, A. N. & Bates, S. A Gentle Introduction to Conformal Prediction and Distribution-Free Uncertainty Quantification. Preprint at https://arxiv.org/abs/2107.07511 (2021).
72. 72.弘犀智能（Great Unicorn Intelligence）. VDC 变量衍生平台（VDC Variable Derivation Platform）. https://www.hxallai.com (2026).
73. 73.弘犀智能（Great Unicorn Intelligence）. 企业智能体平台 · 场景智能体（Enterprise Agent Platform · Scenario Agents）. https://www.hxallai.com/en/platform/scenario-agents/ (2026).
74. 74.弘犀智能（Great Unicorn Intelligence）. Deep Hope S1（推训一体平台）. https://www.hxallai.com/en/platform/deep-hope/ (2026).