更低成本地切分文档：面向LLM页面流分割的多切分边界决策

扫描邮件、上传的PDF与合并的附件常以页面流形式到达，需先切分为单个文档再进行下游分类、抽取或路由。零样本大语言模型无需任务特定训练即可检测文档边界，但标准的页面分类（PC）与边界决策（BD）形式每次模型调用只能解析一个边界。我们提出多切分边界决策（MSBD），在单次调用中预测页面窗口内的多个边界，减少推理请求数量。我们在多个语言模型、文档集合、输入模态与窗口大小上评估MSBD。结果显示存在依赖模型与语料的适用区间：在其中MSBD在保持强分割准确率的同时显著提升推理效率，窗口更大时则急剧下降。MSBD提供了最强的总体准确率-效率权衡，而大窗口在不同模型上暴露出不同的过度分割与不足分割行为。这些发现表明，只要针对目标语料选择窗口大小，多边界预测就能让零样本页面流分割更高效。