简介：文档智能正在从单页识别精度转向整篇结构还原能力。本文聚焦OCR后处理环节，分析跨页表格、文本、标题与图文关联的典型痛点，并系统梳理一种轻量级模型如何将碎片化页面重建为文档级结构树。读者可借此理解后处理在检索增强、长文档问答与知识库构建中的关键价值，以及文档解析流水线的演进方向。
过去几年，文档解析领域的评价指标长期围绕单页识别准确率展开。无论是印刷体还是手写体，是扫描件还是原生电子文档，模型能否在一页图像中准确识别文字、表格、标题与版式元素，一直是衡量能力的主要标准。
但这一局面正在发生改变。随着基础识别能力的普遍提升，单页层面的误差已经不再是制约文档智能落地的主要瓶颈。更棘手的问题开始浮现：一份真实文档由几十页或数百页组成，逻辑结构并不受页面边界约束。一段论述可能从第3页底部开始，到第4页才完整结束；一张财务表格可能在页面中间被硬生生切开；章节标题的层级在翻页之后可能变得模棱两可；插图与相关说明文字可能被排版到相隔数页的位置。
如果系统只做逐页解析，这些跨页逻辑就会被切断。对于后续的检索增强、长文档问答、合同审查、招股书分析与知识库构建等任务来说，碎片化的页面结果会直接导致语义检索失败或回答不完整。用户问的是“公司2024年营收多少”，答案可能分散在财务报表附注的多个页面中。如果系统缺少文档级结构，检索组件只能返回一堆与关键词表面相关的段落；如果系统拥有完整目录层级，它就能沿着“财务报表—附注—收入”的路径缩小搜索范围，快速命中目标。
因此，文档智能的竞争焦点，正在从“识别得更准”转向“拼得更完整”。谁能够把跨页的逻辑接得最完整，谁就能在长文档场景中建立优势。
有一种观点认为，随着多模态大模型能力增强，传统OCR会逐渐被替代。但从工程实践来看，情况恰恰相反：OCR不但没有退出舞台，反而成为更复杂文档流水线中的基础环节。
真正发生变化的，是价值分布。早期的OCR输出只需要包含文本行与对应位置框，系统便算完成任务。现在，文档解析模型输出的是元素类型、阅读顺序、表格结构、标题级别等更丰富的信息。然而这些输出仍然是“页级”的。它们可以告诉我们第7页有哪些元素、彼此如何排列，却无法告诉我们第6页最后一个自然段与第7页第一个自然段是不是同一段。
这意味着，OCR本身正在变成一项标准化能力。对下游应用来说，识别文字不再是稀缺能力，“识别之后如何重新组织”才是关键。后处理环节因此从边缘走向中心，成为文档智能流水线中不可替代的组成部分。
后处理并不是简单地把若干页结果拼在一起。真正有意义的拼接需要回答四类问题：
第一，一个被页面边界切断的表格，如何在语义上还原为一张完整表？
第二，一段跨页文本，应该接在哪一句之后，是否需要合并段落？
第三，一个标题编号在上一页是“2.3”，下一页出现“2.4”，它们是否同级？
第四，某张插图与哪些文字说明存在关联，关联强度如何？
这些问题无法通过简单的顺序拼接解决，需要进行结构推理。
当前业内出现了一类专门用于OCR后处理的轻量级模型。这类模型不重新执行文字识别，而是接收现有OCR输出的页级结果，将其重建为文档级结构树。它的参数规模可以控制在较小范围，例如数十亿级别，以便在离线环境或数据敏感场景中运行。
此类模型通常围绕四个分析维度构建能力。
表格是跨页问题最严重的元素之一。当一个表格在页面底部被截断，下一页顶部继续出现表头或数据行时，逐页解析模型往往会输出两个独立表格。这会导致数据统计错误、表格检索失败，甚至影响后续基于表格的问答。
后处理模型需要判断两个页面中的表格是否来自同一个逻辑表格。它需要观察列边界、表头重复情况、单元格内容连续性以及表格标题位置。以一份财务报告为例，如果第18页末尾的表格包含“营业收入”“营业成本”“毛利率”三列，而第19页开头的表格前两列相同、第三列为“毛利率”，且表头重复出现，那么这两部分很可能是同一张表。
完成判断后，模型应输出合并后的表格结构，并保留跨页中断的位置信息，供前端渲染或结构化存储使用。对于超长表格，还可能需要生成分页标记，而不是强行合并为单页展示。
文本截断比表格截断更常见，也更容易被忽略。一个自然段可能恰好从页面最后一行开始，到下一页第一行结束。如果系统将两者判断为两个段落，会破坏语义完整性，也会影响后续分块策略。
后处理模型需要结合上一页末尾句是否完整、下一页开头是否首字母小写、是否存在连字符断词、标点是否闭合等信号进行判断。例如，上一页最后一句以“因此，公司决定”结束，没有句号，下一页开头是“将研发投入增加15%”，那么两页内容明显属于同一句。
成功还原文本跨页后，系统可以输出一个完整的段落块，并记录其跨越的页面范围。这种元数据对后续引用原文、定位出处非常有帮助。
标题层级是构建文档目录和导航结构的基础。但章节编号在跨页情况下可能产生歧义。例如某页末尾是“2.3 市场风险”，下一页开头是“2.4 信用风险”。如果模型只按照页面顺序处理，一般不会出错。真正困难的是编号不连续、格式不一致或章节标题被图表打断的情况。
更复杂的场景是：文档可能包含“第2章”“2.3”“2.3.1”等多级编号，某些标题没有编号，仅通过字号和加粗区分。跨页时，如果一个标题出现在页面最后一行而正文从下一页开始，模型需要正确判断它仍然是标题，而不是孤立的装饰文本。
后处理模型需要输出层级关系，例如“2.3”是“2”的子节点，“2.3.1”是“2.3”的子节点。这些关系一旦确定，整篇文档的目录树就可以自动生成。
技术和商业文档中，图片与文字通常相互引用，例如“如下图5所示”。但在跨页排版中，图片可能被放置在下一页顶部，而“如下图5所示”的语句出现在上一页底部。如果解析系统无法建立关联，读者或下游模型就无法知道图片与哪段文字相关。
后处理模型需要识别文本中的图引用标记，并在邻近页面或全局范围内查找对应图片。它还可以使用版面位置、距离、编号与语义相似度等特征进行匹配。输出结果可以是一组关联关系，例如“图5 与第22页第3段落相关”。
上述四类分析不是彼此独立的。真正有效的后处理模型需要同时完成这四个任务，并输出一棵完整的文档树。
文档树是对整篇文档结构的形式化表示。根节点是文档本身，其下是章节节点。章节节点包含标题、级别、起始页与结束页。正文段落节点包含文本内容、页面范围、所属章节。表格节点包含结构化数据、跨页信息与所属章节。图片节点包含图片引用、关联段落与页面位置。
当一份PDF或扫描件经过OCR解析与后处理之后，系统交付给下游的不再是“第1页内容、第2页内容、第3页内容”，而是一份带目录、带层级、带关联关系的结构化文档。
这种输出对检索增强架构尤其关键。在传统流程中，文档被按页或按固定长度切块后进入向量库。跨页表格被切开后，很难被完整检索到。段落被切断后，向量表示也会偏离原始语义。而基于文档树的切块策略可以按照逻辑节点进行切分，使每个块都对应一个语义完整的单元。
文档智能流水线正在形成新的分层结构：
第一层是页面级识别，负责从图像中提取文字、表格、版式等基础元素。
第二层是文档级结构还原，负责将页面级结果拼接为跨页逻辑体。
第三层是任务级应用，例如检索、问答、摘要、合同审查、报告生成等。
过去很多系统只做第一层和第三层，中间缺少结构还原能力。随着长文档场景增多，这一层必须被补齐。
从工程角度来看，后处理模型不需要替代现有OCR能力，而是复用已有输出，因此部署成本相对可控。它可以在离线环境运行，不必依赖外部大模型服务，适合对数据敏感的企业场景。轻量化设计也使其可以嵌入文档解析流水线中，作为OCR与知识库之间的标准中间层。
可以预见，未来文档智能系统之间的差距，不再是谁多识别了几个百分点的字符准确率，而是谁能在几百页的长文档中还原出更可靠的逻辑结构。OCR负责读，后处理负责拼。前者解决“看得清”，后者解决“读得懂”。
对于需要处理大量长文档的团队来说，现在是时候把跨页结构还原纳入整体方案了。