论文
超越准确率：模板文档抽取中的鲁棒性、成本与治理权衡
Beyond Accuracy: Robustness, Cost, and Governance Trade-offs for Vision-Language Models in Templated Document Extraction
摘要
视觉语言模型日益用于从业务文档提取结构化字段，但多数评估只报干净基准准确率，难指导实践者按任务复杂度选型。我们以测量研究和开源发布弥补缺口。在750份合成支票留出集上，对十一种系统评分，包括三个商用、两个推理、五个预训练及微调形式的开源视觉模型，以及非大模型OCR到正则表达式基线。用3000样本微调后，最佳开源模型F1超过0.98，高于本任务所有零样本商用系统；GPT-5在商用组F1领先，Claude Sonnet 4.5在日期字段表现崩溃。为把测量转为选择，我们提出实践者选型框架，通过过滤和总成本最小化，将质量、延迟、治理、数量组成的任务画像映射为推荐方案，并以假设的中等规模文档抽取场景示例。