来源：InTimeLab

原文链接：https://mp\.weixin\.qq\.com/s/ssgc7dZJDdZAwkUfJ3E7EA

近日，由InTimeLab、腾讯大语言模型部等单位合作完成的研究成果《StrucTab: A Structured Optimization Framework for Table Parsing》被 ECCV 2026 接收。论文从建模、优化、评测三个层面系统性重构了表格解析范式：提出显式结构推理模型 StrucTab、统一强化学习框架 Uni-TabRL，以及大规模真实场景基准 TableVerse-5K。仅 1B 参数的 StrucTab 在所有公开基准上取得 SOTA，平均 TEDS 反超 Gemini 2.5 Pro 7.13%、GPT-5 19.14%。代码与基准已开源。

表格解析：不只是"看图写 HTML"

表格解析旨在将表格图像转换为 HTML/Markdown 等结构化表示，需要模型同时感知复杂的空间布局与文本内容。近年来视觉语言模型（VLM）推动了端到端解析，但普遍存在一个根本性缺陷：只监督最终输出，跳过了理解复杂结构所必需的显式中间推理。

StrucTab 从三个层面突破现有 VLM 端到端范式的局限：(b) 建模——人类式序列推理；(c) 优化——基于分解式细粒度奖励的 Uni-TabRL；(d) 评测——大规模真实场景基准 TableVerse-5K。

现有端到端 VLM 把表格解析当成"扁平的一维图像到文本任务"，仅靠模仿最终序列化输出，难以真正内化复杂表格的拓扑逻辑。一个自然的问题是：能否让模型显式地建模中间推理过程，而非黑盒式地从最终输出反推结构逻辑？

现有 RL 奖励的两难困境

强化学习（RL）是提升解析质量的有力手段，但现有奖励设计存在根本缺陷。

现有表格解析 RL 奖励设计的局限。上：基于 VLM 裁判的方法依赖 VLM 比较渲染结果，易因幻觉或错配引入噪声监督；下：基于规则的 TEDS 在视觉等价但存在多种合法表达时（尤其公式密集场景）会给出误导性打分。

VLM 裁判方法。

规则方法（TEDS）。

这些问题导致优化信号不稳定、含糊，使 RL 在表格解析上的潜力远未被释放。

建模层：人类式结构分解与序列推理

受人类"先看全局布局、再解析局部合并、最后重建内容"的认知过程启发，论文将表格解析重构为显式结构推理。

(a) 显式提供行列数、合并单元格等结构线索，能一致提升解析精度；(b) 纠正第一个结构错误可显著降低后续结构错误率，并提升下游生成置信度。这验证了中间结构信号在现有模型中被严重低估。

论文将解析分解为三个互补子任务，并通过课程式训练逐步统一：

StrucTab 结构化优化框架。上：课程训练将原子结构技能逐步整合为统一推理；下：Uni-TabRL 通过细粒度分解奖励实现稳定优化。

行列计数（Row-Column Counting）。

合并单元格分析（Merged-Cell Analysis）。

课程式序列推理。

优化层：Uni-TabRL 分解式细粒度奖励

针对现有奖励的噪声与含糊问题，Uni-TabRL 基于 GRPO，将整体奖励分解为三个互补组件，分别监督生成有效性、结构正确性与内容保真度。

Uni-TabRL 实现流水线。(a) 1D 探针结构奖励：将预测与参考表格线性化为单元格序列，以首个错误前的正确匹配比例作为奖励；(b) 表格图像渲染流水线：将 HTML 渲染为标准化图像用于去风格化。

有效性奖励（Validity）。

结构奖励（1D Probe）。

内容奖励（Anchor-Guided Destylization）。

评测层：TableVerse-5K 真实场景基准

现有基准多把表格解析当作辅助子任务，规模小、场景单一。论文构建了 TableVerse-5K——迄今规模最大、最多样、结构最复杂的真实场景表格解析基准。

TableVerse-5K 构建流程。数据涵盖学术论文、海报、报告等多来源，覆盖扫描、印刷拍摄、手写等场景；标注采用多 VLM 预标注（PaddleOCR-VL / HunyuanOCR / MinerU 2.5）+ 多阶段人工校验的混合策略。

相比 OmniDocBench（512）、CC-OCR（300）、OCRBench v2（700），TableVerse-5K 拥有 5000 张高质量标注表格，平均合并单元格数（5.10）与结构复杂度均显著更高，并同时覆盖扫描、拍摄、手写三类场景。

实验：1B 模型全面刷新 SOTA

StrucTab 在三个公开基准与 TableVerse-5K 上全面取得 SOTA。仅 1B 参数便大幅超越闭源大模型——平均 TEDS 反超 Gemini 2.5 Pro 7.13%、GPT-5 19.14%；相比现有 RL 表格解析器 FD-RL、TRivia-3B 分别领先 13.24%、7.92%；其中 Uni-TabRL 单独就在 SFT 基线上带来 2.92% TEDS 提升。

主实验结果。StrucTab（1B）在 OmniDocBench、CC-OCR、OCRBench v2、TableVerse-5K 上的 TEDS/TEDS-S 均取得最优，超越 GPT-5、Gemini 2.5 Pro、HunyuanOCR、MinerU 2.5 等强基线。

结构分解消融。 引入行列计数、合并单元格分析均一致提升性能，二者结合再进一步增益；将子任务整合为序列推理链（而非独立辅助目标）显著优于独立训练，且两阶段课程缺一不可。

Table 3：结构分解与序列课程的影响。行列计数 + 合并分析 + 序列推理逐步叠加，性能持续提升。

Uni-TabRL 消融。 Anchor-Guided Destylization 优于 VLM 裁判（后者引入噪声），1D Probe 结构奖励优于 TEDS-S，二者组合取得最佳。

Table 4：Uni-TabRL 奖励设计消融。1D Probe 结构奖励与 Anchor-Guided Destylization 内容奖励的组合达到最优。

降低重复生成。 1D Probe 结构奖励有效缓解自回归解码中的退化重复（缺失 \ 导致的无限循环），将重复率从 backbone 的 1.88% 降至 1.02%。

Table 5：1D Probe 结构奖励相比 TEDS-S 带来更少的重复生成，验证其对自回归学习的引导作用。

定性可视化。 相比 HunyuanOCR 的错误结构识别，StrucTab 通过显式的行列计数与合并单元格分析，得到正确的结构解析与高内容准确率。

结果可视化对比：StrucTab 先输出行列计数与合并单元格分析，再生成最终 HTML，结构与内容准确率显著优于直接端到端解析。

价值与展望

StrucTab 的核心洞察是：鲁棒的表格解析需要显式的结构化中间推理，以及稳定、细粒度的优化信号。 通过在建模、优化、评测三个层面的系统性设计——人类式结构分解 + Uni-TabRL 分解奖励 + TableVerse-5K 基准，仅 1B 参数的模型便能全面超越百倍参数的通用大模型，为真实场景下的表格解析提供了新范式。

? 代码与基准已开源： https://github\.com/VirtualLUOUCAS/StrucTab

论文信息

题目：

作者：

单位：

会议：

arXiv：

原文链接: https://www.leiphone.com/category/private/aV9XszepUnYQhCLs.html