文档与图表理解的难点在哪里

一、版面不是纯文本流

PDF 抽取出的文本顺序经常与阅读顺序不一致。多栏排版、页眉页脚、图表标题与正文的归属关系，需要通过版面分析恢复。

二、表格需要显式结构

把表格拍平成字符串会丢失行列对应关系。保留单元格坐标与合并关系，再转成结构化表示，通常比让模型从纯文本中反推更可靠。

三、图表要落到可比较的量

图表理解的关键不是描述外观，而是把图形元素映射到坐标与数值。坐标轴刻度、图例与数据系列的对应关系一旦错位，后续推理全部失效。

四、失败要能定位

把解析错误与推理错误分开统计。抽取阶段丢失的信息，指望模型层修复并不现实，先保证输入结构完整，再谈推理能力。

五、可核对的来源

表格与文档理解属于持续演进方向，本文不引用任何未经核实的公开榜单成绩，只说明结构与工程上的常见失败点。

六、适用边界

本文给出的是工程拆解思路。具体数据集上的效果需要自行评测。