多模态模型处理 PDF 表格如何避免跨页字段错位：分页切片、表头继承与行号复核

多模态模型读 PDF 表格时，最难处理的不是把一页文字抄出来，而是表格跨页后仍要知道这一行属于哪一列、哪一页、哪一条记录。实用的做法是先给每个页面和数据行建立稳定标识，再把表头继承、坐标复核和低置信度回收放进同一条流水线。

不要把整份 PDF 一次性交给模型后直接相信 JSON；先按页切片并保留 page_id，再在结构化结果中同时核对表头、行号和字段置信度。

表格看似识别成功，错位通常发生在页与行之间

一份采购对账 PDF 可能在第二页重复标题，也可能只保留“续表”而省略列名。模型若只收到第二页的裁剪图，看到的“数量”和“含税单价”就没有足够上下文。更隐蔽的情况是第一页底部的一行被分页线切开，第二页开头继续出现单元格，文本看起来完整，字段却已经串列。

因此排查信号应分成三类：只有跨页记录错，优先检查表头继承；整页列都偏移，检查裁剪和缩放；同一列偶尔出现空值或异常小数，检查字段级置信度及原图回看。

先把跨页表格拆成可追踪输入

输入阶段不要把页码当展示信息，而要把它变成结果的一部分。每张页面图都带有稳定的 page_id，切片后的行继续带着页码和局部行号。跨页续表时，把上一页确认过的表头作为上下文传给下一页，但不要把上一页的数据行复制进去。

type RowCheck struct {
    PageID     string  `json:"page_id"`
    RowIndex   int     `json:"row_index"`
    Confidence float64 `json:"confidence"`
    Reject     bool    `json:"reject"`
}

func inheritHeader(previous, current []string) []string {
    if len(current) > 0 {
        return current
    }
    return previous
}

这里的 page_id、row_index、confidence 和 reject 不是装饰字段：它们让一次模型输出能回指原始页面，并且为后面的人工复核留下入口。真实接口可以接收图片或 PDF 文件，但输入格式能被接受，不代表跨页语义已经自动对齐；这两件事要分别验收。

图：跨页表格的输入链路，重点是保留 OCR 输入到字段对象之间的追踪关系。

用置信度和行号做二次验收

模型返回结构化数据后，先做机械检查，再决定是否入库。这里的行号复核至少包括：同一页的 row_index 是否连续、字段数量是否等于表头数量、金额字段能否按原始小数位解析、低于阈值的 confidence 是否被标记为 reject。

func acceptRow(row RowCheck, headerCount, nextIndex int) bool {
    if row.RowIndex != nextIndex {
        return false
    }
    if row.Confidence  0
}

阈值不是模型的通用真理。对发票金额、药品批号这类高风险字段，阈值和人工复核比例应由业务抽样确定；示例中的 0.86 只是演示一个可审计的分支。关键在于低置信度结果不能和正常结果走同一条写库路径。

图：用页标识、行号和置信度把正常结果与 reject 队列分开。

线上排查顺序：先看原图，再看结构化结果

1. 按 page_id 打开原始页面和模型输入裁剪图，确认分页线、表头和列边界是否都在画面内。
2. 抽取一条错位记录，沿着 row_index 回到原页，检查它是否是被分页线切开的续行。
3. 比较该行各字段的 confidence，只要关键字段低于阈值，就写入 reject 队列而不是补猜。
4. 修正切片或表头上下文后，重跑同一页并与原结果做字段级差异比对。

如果所有错位都集中在页首，优先修正表头继承；如果只在窄列出现，优先提高该列的裁剪分辨率；如果同一页多次复现且行号漂移，检查输入图片顺序和页面标识生成逻辑。不要先换模型，否则很难分辨是输入问题还是模型差异。

回滚与复盘：拒绝写入比事后修数据便宜

主库写入应以验收结果为前置条件。正常行进入待确认表，人工复核通过后再转正式表；reject 行保留原始页、裁剪参数、模型响应摘要和失败原因。这样即使后续调整提示词或模型版本，也能重放同一批页面，而不是从一份已经被覆盖的字段结果开始猜。

复盘时记录三个比例：跨页表格占比、字段级 reject 占比、人工复核后确认的真实错位占比。它们比“接口成功率”更能说明这条识别链是否可靠。

常见问题与延伸问答

为什么重复表头仍然会错位？

重复表头只能补充语义，不能修复被裁掉的列边界和错误的图片顺序。要同时核对 page_id、裁剪区域和行号。

低置信度能不能直接让模型再问一次？

可以重试，但重试输入必须保持可追踪，并限制次数；对于金额、批号等关键字段，人工回看原页通常比无限重试更可控。

什么时候应该换模型？

当输入裁剪、表头继承和字段验收都通过，仍在同一类版式上稳定出现同一错误，再用固定样本比较模型；不要用一次随机输出做结论。

把“能读出来”改成“能对得回去”

跨页 PDF 表格的核心不是让模型输出更多字段，而是让每个字段都能回到页面、行号和验收分支。保留 page_id，显式继承表头，用 row_index 检查顺序，再让 confidence 决定是否进入 reject 队列，这条链路足够简单，也足够支持后续复盘和回滚。