标题FinixDoc: Rethinking Financial Document Parsing Beyond Saturated Benchmarks来源arXiv, 2608.22842v1️文章简介研究问题现有基准测试无法反映真实金融场景中低质量、超大规模文档的解析性能差距如何解决这一部署难题主要贡献提出FinixDoc端到端代理解析系统及FinixDoc-VL模型构建能力矩阵与FinixDocBench基准显著提升复杂场景下的解析鲁棒性。重点思路提出文档解析能力矩阵从视觉质量和文档规模两个维度划分基准收敛区、低质量区、未探索大规模区及模糊不可恢复区明确工业界能力边界。研发FinixDoc-VL核心模型基于Qwen3-VL-4B采用同形字感知对比学习增强视觉编码器对细微字形差异的辨别力并结合多阶段强化学习优化文本保真度、检测质量及阅读顺序一致性。构建人机协同数据工厂通过异构多模型协作推理、大模型级联校准及基于置信度的专家审核流程高效生产高质量结构化训练数据。设计系统级分割合并策略处理超大页面通过动态路由、结构感知分割及方向感知合并解决单一大模型处理超长文档的显存与上下文限制。发布FinixDocBench基准涵盖数字原生、相机拍摄、超大页面及内部工作流场景填补真实金融部署评估空白。分析总结在通用基准OmniDocBench上FinixDoc-VL保持强劲基础能力虽略逊于专用OCR模型但远超同规模基座模型证明训练策略未损害通用性。在低质量相机拍摄场景FinixPhoto中专用模型性能急剧下降而FinixDoc-VL凭借视觉适应训练展现出最强鲁棒性综合得分领先第二名5.13分。在超大页面场景FinixHuge中完整FinixDoc系统通过分割合并策略实现92%的成功率远高于直接推理的基线模型有效解决了可处理性瓶颈。在内部高频工作流评估FinixInner中FinixDoc-VL在理赔记录、费用单据等复杂异构文档上表现最佳验证了其在真实业务中的实用价值。个人观点论文直面金融场景中的噪声与规模挑战将通用VLM的鲁棒性与领域特定的对比学习及强化学习相结合。