简介：本文围绕文档智能中的两个关键技术方向展开：多页文档理解中的强化学习机制，以及多模态文档解析中的跨页结构化方法。文章重点解释为何单页推理容易造成语义割裂，系统又是如何通过证据页筛选、奖励函数约束、文档树构建和注意力机制改进，来提升长文档推理的连贯性与可靠性。读者可以借此理解多页文档任务在训练、推理、后处理各阶段的核心机制与设计边界。
文档智能的目标，是让模型不仅能“看到”文档中的文字、表格、图片，还能理解页面之间的逻辑关系，并在此基础上完成问答、摘要、信息抽取、结构化解析等任务。本文主要围绕两个问题展开：
这两个问题的共同点在于：单页处理在计算上是直观的，但在语义上是断裂的。 文档智能的核心挑战，不是“能不能识别一页内容”，而是“能不能在跨页上下文中保持推理和结构的一致性”。
在常见的文档处理链路中，系统通常先对文档进行版面分析，识别标题、段落、表格、图片等区域，然后逐页执行文字识别与内容提取。这种级联方式在单页场景下表现稳定，但一旦切换到整本书、调研报告、合同、招投标文件等多页文档，就会出现几类典型问题：
这些问题的根源在于：单页处理只考虑页面内部的几何布局，不考虑页面之间的逻辑连续。 而要恢复这种连续性，需要在模型训练、推理策略和解析后处理三个层面分别引入新的机制。
理解多页文档智能，需要先区分几个关键概念：
多模态大模型在处理文档图像时，会把每一页图像切分成大量视觉Token。这些Token进入Transformer后，会与文本Token一起参与注意力计算。文档页数越多，视觉Token数量线性甚至超线性增长，推理时延和显存占用也随之上升。因此，直接对全部页面进行全量推理，通常会触及计算资源的边界。
针对视觉Token过多的问题，已有研究提出了两类思路：
这两类方法解决的是“计算效率”问题，但它们并不能单独解决“哪些页面真正相关”的问题。即使压缩了Token，如果模型仍然需要阅读全部页面，计算成本依然不低。
多页文档理解的关键转变在于：先检索证据，再生成答案。 模型不再试图一次性理解所有页面，而是先判断哪些页面可能包含回答问题所需的信息，然后只在这些页面上进行细粒度推理。这种思路把任务拆成两个阶段：
这样设计的原因在于，大模型在长上下文中的注意力容易被稀释。无关页面越多，模型越容易忽略真正关键的信息。缩小推理范围，实际上是在提升答案的可靠性。
从系统层面看，一个面向多页文档的智能处理框架通常包含以下模块：
| 模块 | 主要职责 |
|---|---|
| 版面分析模块 | 对单页图像进行区域检测，识别段落、标题、表格、图片等布局单元 |
| 视觉编码模块 | 将页面图像或区域图像编码为视觉特征 |
| 文本识别与提取模块 | 从版面区域中提取文字内容及坐标信息 |
| 跨页关系建模模块 | 判断段落、表格、标题、图文是否跨页延续 |
| 证据检索模块 | 根据用户问题或任务目标，定位最相关的若干页面 |
| 推理生成模块 | 基于证据页内容进行答案生成或信息抽取 |
| 文档树构建模块 | 将单页解析结果组织为具有层级关系的文档级结构 |
| 后处理与校验模块 | 对跨页合并结果进行一致性检查和格式修复 |
这些模块并不是彼此独立运行，而是通过数据流串联起来。版面分析和文本提取产生单页结构化结果，跨页关系建模和文档树构建负责恢复全局语义，证据检索和推理生成则负责在全局语义的基础上完成具体任务。
下面以“多页文档问答”为例，说明一个典型的多页理解流程：
第一步：页面级预处理
系统对每一页图像执行版面分析，识别出文本块、表格区域、图片区域及其几何坐标。同时，视觉编码器为每个区域生成对应的视觉特征表示。
第二步：单页内容提取
文本识别模块读取版面分析结果，对每个文本块执行文字识别，输出“文本内容+坐标框”的结构化记录。表格区域则输出表格结构和单元格内容。
第三步：跨页关系恢复
系统会检查哪些段落被页面边界截断，哪些表格被拆分到多页，哪些标题在不同页面之间存在从属关系。这一步通常需要结合版面位置、字体样式、编号规则和语义连贯性进行判断。例如，一个段落在页尾未结束，下一页开头继续出现非缩进文本，则很可能是同一段落的延续。
第四步：文档级结构化
在恢复跨页关系后，系统将单页结果合并为文档级结构。一个常见的做法是构建文档树：根节点是整篇文档，下一层是章节，再下一层是标题、段落、表格、图片等叶子节点。每个节点都携带其对应的页面范围、坐标信息和内容摘要。
第五步：证据页定位
当用户提出问题时，系统首先在文档树或页面摘要上进行粗粒度检索。通过计算问题与各页面摘要、标题、关键词之间的相似度，筛选出若干候选证据页。这一步的目标是高召回率，宁可多选几页，也不要漏掉关键页面。
第六步：证据内细粒度推理
模型只在候选证据页上进行深度推理，读取页面内的视觉细节、表格结构和局部文本关系，最终生成答案。由于推理范围被大幅缩小，答案生成通常更稳定，也更容易进行过程校验。
第七步：答案校验与输出
最后，系统会检查答案是否能从证据页中得到支撑。如果证据不足，可能触发补充检索，再对新增页面进行推理，直到答案可靠或达到迭代上限。
多页文档理解中的一个核心问题是注意力分散。假设一份文档有50页，其中只有3页与问题相关。如果模型直接读取全部50页，这3页的信息会与另外47页的噪声混合在一起。在大规模注意力计算中，关键信息的权重可能被稀释，导致模型忽略正确答案。
证据筛选机制的作用，是先用轻量级方法对页面进行粗排，把候选范围从50页缩小到3到5页，再用重模型进行精细推理。这样做的本质是两阶段计算：第一阶段用较少的计算资源换取较高的召回率，第二阶段用较多的计算资源换取较高的准确率。
在强化学习训练中，奖励函数决定了模型向哪个方向优化。单页任务的奖励通常只关注最终答案是否正确。但多页任务需要额外约束两个行为：
因此，多页文档理解的奖励函数通常会拆分为两部分：证据定位奖励和答案质量奖励。证据定位奖励鼓励模型在生成答案前明确输出相关页面标识；答案质量奖励则评价最终答案与标准答案的一致性。两者综合后，模型才能学会“先找证据，再给结论”的推理模式。
文档树的核心思想，是把物理页面与逻辑结构解耦。物理页面是扫描或导出的结果，而逻辑结构是作者原始写作意图的体现。一个章节可能跨多页，一个段落可能被页面边界切断，但这些都应该在逻辑结构中保持完整。
构建文档树时，系统通常依据以下信号判断两个单页元素是否属于同一逻辑单元：
在长文档场景中，标准注意力机制需要计算所有Token之间的相关性。页面数量增加时，计算量呈二次增长。为了缓解这个问题，一些方法引入了参考滑动窗口注意力机制：模型在处理当前区域时，只关注当前位置附近的Token，以及少量被明确指定为“参考”的Token。参考Token可以来自证据页摘要、问题描述或先前已处理的关键段落。
这种机制的合理性在于：文档理解并不总需要全局注意力。对于大多数局部推理任务，邻近上下文已经足够；只有少数跨区域关联需要通过参考Token显式传递。因此，参考滑动窗口注意力可以在基本保持推理质量的前提下，显著降低长文档的计算开销。
假设一份财务报告中有一个跨第8页和第9页的大表格，第8页包含表头“科目、本期金额、上期金额”以及前10行数据，第9页继续显示后8行数据，但没有重复表头。
单页解析的结果是：
跨页恢复模块的工作流程如下：
经过这样的处理，后续检索“本期金额大于某值”的记录时，就不会因为第9页缺少表头而漏检。
实际上，页数增加并不自动带来理解能力提升。如果模型没有有效的证据筛选机制，无关页面反而会稀释注意力，降低答案的准确性。多页理解的关键是“读得对”，而不是“读得多”。
单页解析输出的是页面内局部结构，页面之间的逻辑关系需要额外建模。直接按页码拼接文本，虽然保留了原始顺序，但段落、表格、标题和图文的跨页关系仍然是断裂的。
在多页任务中，只看最终答案会带来“结果对但过程错”的隐患。模型可能绕过证据定位，直接根据训练分布中的模式猜测答案。为了使模型学会稳定的检索—推理行为，奖励函数必须同时约束证据选择和答案质量。
文档解析的深层目标是恢复文档的逻辑结构。文字提取只是第一步，更重要的是让机器理解“哪些文字属于同一段”“哪些表格是延续的”“哪些标题是父子关系”“哪些图片对应哪段说明”。没有这些结构信息，后续的检索和生成都容易出错。
文档智能从单页处理走向多页理解与文档级解析，背后反映的是从“局部识别”到“全局结构恢复”的能力跃迁。这个过程需要解决两个相互关联的问题：一是如何在众多页面中快速定位关键证据，二是如何在逐页解析结果之间重建逻辑连续性。
在推理层面，证据页筛选与强化学习奖励函数的配合，使模型学会先检索、后推理，避免无差别阅读带来的计算浪费和注意力稀释。在解析层面，跨页关系建模与文档树构建，使段落、表格、标题、图片能够以语义单元的形式被组织起来，而不是被页面边界机械切割。在计算层面，参考滑动窗口注意力等方法则试图在长文档场景下平衡全局信息保留与计算资源消耗。
这些机制共同指向一个原则：文档智能的提升，不只是让模型更“大”，更是让处理链路更“懂结构”。只有恢复页面之间的逻辑关系，文档才能真正从一堆图像的集合，变成可供检索、推理与生成的连续知识载体。