企业文档解析中的格式线索丢失

文档解析丢失颜色与高亮线索，会让智能体误判政策要求。

资讯摘要

论文指出，企业文档在转换为 token 的解析环节会丢失作者通过高亮、颜色等格式编码的语义线索，导致智能体在识别政策要求时自信出错。作者用 76 份真实政策文档构建任务，以文件自身 OOXML 属性做确定性匹配评分；忽略格式的解析使 micro F1 从 0.690 降至 docling 的 0.150 和纯文本的 0.075，该差距在来自两家厂商的六个回答模型上复现。

要点速读

1. 论文报告格式盲解析使 micro F1 从 0.690 降至 docling 0.150、纯文本 0.075，并在五个 Claude 模型和 GPT-5.6 上复现
2. 留一法定位损失主要来自高亮（+0.302）和颜色（+0.262），加粗、斜体、等宽、删除线影响接近零
3. 6,460 份文档中 32.8% 带有刻意颜色或高亮，10.3% 落在义务条款上；预注册测试显示为智能体显式标注线索比仅保留线索多 +0.085

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。