Landing AI 刷新 DocVQA 记录：靠解耦解析与问答拿下 99.16% 准确率

如果你做过文档解析或者基于合同、发票做问答，大概率吃过大视觉模型的苦：每问一个新问题，就得把整张高清大图重新喂进多模态大模型跑一遍，不仅慢，账单还蹭蹭往上涨。

现在有人换了个思路，顺便把行业纪录给破了。Landing AI 在文档理解基准 DocVQA 上拿下了 99.16% 的准确率，不仅刷掉了此前 Qwen2-VL 保持的 97.25% 纪录，还压过了人类评测通常表现的 96% 到 98%。

一次解析，无限次问答

传统 DocVQA 的打法很死板：不管用户问什么，模型都得把原图和文本一起吞进去。这种做法在打比赛时还好，一旦落到企业生产环境，成本高得让人难以接受。

Landing AI 的核心改动，说白了就是把「看文档」和「答问题」这两件事彻底拆开，做成了一套「一次解析、无限查询」的流程。

第一步只负责看图。他们用自研的 DPT-2（Document Pre-trained Transformer 2）模型，一次性把扫描件吃透，吐出结构化的数据。这里面不仅有 Markdown 文本和 JSON 数据，还标注了每一个元素的精确位置、版面布局以及置信度。

第二步纯靠文字。后续不管问文档什么问题，都不再调视觉模型，而是把前面解析好的结构化数据直接塞给大语言模型。实验里他们用的是 Claude Sonnet 4.5 搭配混合提示策略。

这样的好处显而易见：大图只用算一次，后面问十个问题、一百个问题，跑的都是便宜得多的纯文本推理。而且因为带了坐标框，每个答案都能精准指回原文档的具体位置，便于人工核对。

45 个错误的透明账本

这次测试用的是 DocVQA 验证集的 1286 张真实扫描件，来自 UCSF 行业文档库，涉及事实提取、表格理解和空间推理等各种复杂场景，采用严格的大小写不敏感精确匹配指标。

整个提升过程很清晰：如果只靠纯 Markdown 文本，准确率是 95.36%；一旦加入包含视觉坐标的 JSON 结构与引导提示，准确率直接冲到了 99.16%。

更实在的是他们对失败案例的坦白。整套评测里一共只出现了 45 个真实错误，团队直接拉出了清单：解析错误（如 OCR 识别混淆或印章文字遮挡）占了 13 例，大模型自己推理失误占了 18 例，还有 9 例是超出了核心解析范围的空间方位问题，另外有 18 例属于原数据集自身的标注争议。

他们还在 GitHub 上把预解析数据、评估脚本、提示词模板以及包含 63 个成功案例和 45 个错误案例的可视化画廊全部开源，谁都可以拉下来一键复现。

为什么重要

我们认为，Landing AI 这次最值得夸赞的不是 99.16% 这个数字本身，而是他们证明了「端到端多模态大模型并不是文档处理的唯一解」。

在很多人的既定印象里，端到端是 AI 发展的终极方向，把图直接交给超大模型好像最优雅。但在实际业务中，优雅往往败给现实：高昂的 GPU 显存占用、居高不下的 API 账单，以及答案「查无凭据」的幻觉风险，都是横在落地面前的墙。

把解析层和问答层解耦，看起来像是在走「工程化妥协」的老路，但配合现在的先进 LLM，却打出了极高的性价比。对于需要处理海量财报、合同审查和医疗票据的团队来说，这套方案意味着文档可以提前离线转成结构化资产，后续不管是做 RAG 检索、合规审计还是多轮问答，调用成本都会暴跌。

当然，这种架构也有天然短板。一旦前端解析模型漏掉了微小线索或者误判了复杂空间排版，后端的纯文本大模型就只能「巧妇难为无米之炊」，错误会直接传导下去。但就目前的落地方案来看，这种既能大幅省钱、又能精确定位的打法，大概率会逼着行业重新审视文档处理的技术选型。