文档版面理解（Document Understanding）
科普速读
- 它是什么： 文档理解同时读取内容和版面结构。
- 适合什么场景： 从表单、表格和扫描页中提取字段及关系。
- 主要边界： 文字识别正确，不代表字段归属正确。
概览
发票上可能有“税额”“总额”和多个数字。系统必须把每个数字对应到正确标签，才能校验内容。
核心定义
文档理解从页面的文字、位置和视觉结构中识别信息及其关系。
背景与发展
光学字符识别让机器能读取印刷文字。文档理解进一步处理版面和关系，因为有些含义取决于文字出现的位置。
工作机制（How It Works）
处理流程可能组合图像清理、OCR、版面检测、表格结构分析和语言模型，并输出带页面位置的结构化字段供复核。
在软件测试与开发中的应用
用旋转页面、低分辨率扫描、手写、多栏和表格测试文档流程，再把提取结果与人工标注样本对比。
优势与局限
考虑版面的处理方式能提取纯文本中缺失的关系。系统仍可能把数字连错字段，或把空白处补成看似合理的值。
与相近术语对比
OCR 识别文字；文档理解还处理版面和字段关系；视觉语言模型范围更广，也能回答各类图像问题。
实施建议（Best Practices）
保留页面图像和坐标，用业务规则校验字段，并把不确定或影响重大的情况交给人工复核。
常见误区（Pitfalls）
付款或合规决策不能只依赖提取出的数值；还要检查原始证据和字段关系。
FAQ
OCR 结果正确，就能确保字段提取正确吗？
不能。系统还必须把每个文字值对应到正确标签或表格单元。