在金融文档处理中，财报、招股书与审计底稿的大量关键数据以表格形式存在，而表格的合并单元格、跨页续表、脚注混排往往让通用OCR失效。金融AI实验室近期围绕「表格结构识别」做了一轮实验性探索，目标不是做通用文档解析，而是先解决金融场景下的特定失败模式。
实验路径分三步：先用轻量检测模型定位表格区域并区分有线表与无线表；再对单元格做行列对齐与合并关系推断，输出可回溯的HTML结构；最后把表头语义与数值单位、币种、期间字段绑定，形成结构化记录。为降低误判影响，我们在输出层增加了置信度分级，低于阈值的单元格不直接入库，而是进入人工复核队列。
阶段性进展：在自建的公募基金年报与A股年报测试集（约1200张表）上，单元格坐标准确率约94%，跨页续表的结构还原成功率约81%，较此前基线提升约11个百分点；无框表与嵌套表仍是主要错误来源。
下一步计划：一是补充银行流水与债券募集说明书样本，验证跨文档类型的一致性；二是把表格结构输出接入下游指标抽取，观察端到端误差的传导路径；三是探索用少量标注做结构纠错反馈，减少人工复核量。相关方法仍在实验阶段，尚未对外提供服务。
评论