预路由推理：面向成本高效文档字段提取

arXiv:2608.06607v1 公告类型：新 摘要：大多数文档提取系统对所有文档使用单一模型。这虽然简单，但对简单案例可能成本高昂，对困难案例效果欠佳。我们研究是否可以在提取之前使用廉价的、基于文档的信号来预测文档的难度，并据此在较便宜的提取器与较强的提取器之间进行选择。我们发现，路由仅在两个条件成立时有帮助：较便宜的模型失败频率足够高，使得路由值得进行；并且这些失败可以从可见特征（如图像质量和布局）中预测。我们将这些转化为一个实际测试，并将其应用于五种体裁。当两个条件都满足时，校准后的路由器在收据上将成本降低31-33%，在退化的广告投放表单上将成本降低77%，同时将质量维持在始终选择大模型的F1值0.02以内。如果任一条件缺失，路由则无帮助，例如清晰的电子发票或本就易于读取的营养标签。一个小型带标签的试点可以预测路由是否有效，在我们首先运行的两个案例中，预测是正确的。简单的词袋路由器与工程特征效果相当，表明主要限制在于体裁而非路由器设计；我们使用可解释特征来帮助解释哪些体裁可以路由。路由器必须针对每个数据集重新训练，并且无法跨数据集迁移，即使在同一体裁内也是如此。这些结果适用于两对成本差异分别为5倍和3倍的模型。

# 预推理路由实现高性价比文档字段抽取
Source: https://arxiv.org/html/2608.06607
###### 摘要

大多数文档抽取系统对所有文档使用单一模型。这很简单，但对简单案例成本较高，对困难案例效果较差。我们研究是否可以在抽取*之前*使用廉价的、基于文档的信号预测文档难度，并据此在较便宜与较强的抽取器之间做出选择。我们发现，只有当两个条件同时成立时，路由才有帮助：较便宜模型失败得足够频繁，使得路由有价值；并且这些失败可以从图像质量、布局等可见特征中预测出来。我们将这些转化为一个实用测试，并应用于五种文档类型。当两个条件都满足时，校准后的路由在收据上降低 31–33% 的成本，在退化的广告购买表单上降低 77% 的成本，同时保持质量与始终选择大模型的 F1 差距在 0.02 以内。如果任一条件缺失，路由没有帮助，例如已经易于阅读的干净数字发票或营养标签。一个小型标注试点可以预测路由是否有效；在我们首先开展试点的两个案例中，预测都是正确的。一个简单的词袋路由器与工程特征的效果大致相当，表明主要限制在于文档类型本身，而非路由器设计；我们使用可解释特征来帮助解释哪些文档类型适合路由。路由器