华为PrismAlign以多视角融合提升表格提取精度

非结构化文档被转化为模型可处理的词元和结构化字段时，提取精度决定了后续训练、检索与生成链路的“有效位宽”。在复杂版式、低质扫描和跨语言混排场景中，单视角视觉语言模型仍可能生成看似合理但与原文不符的表格结果，字段错误率的持续下降也因此成为压缩幻觉风险的关键。

华为团队在EMNLP Industry Track 2026收录的论文《PrismAlign: Prior-Steered Multi-View VLM Alignment for Hallucination-Robust Table OCR》中，提出了PrismAlign框架。它不再依赖单个模型反复增强，而是让多个VLM从不同“视角”观察同一版面，再通过贝叶斯决策层进行一致性对齐；只有在单元格层面形成高置信共识的结果才直接输出，其余结果则保留为低置信状态。

该方法首先将表格结构识别与单元格内容识别拆开处理，分别应对合并单元格、行列拓扑错误和字符、数字误读等问题。随后，系统把行列守恒、A4页面下行列数量的合理上界等表格几何不变量编码为约束，并在推断时计算候选结果的最大后验概率。结构层面还使用TEDS-Structure衡量视角间差异，过滤拓扑明显异常的输出，从而避免模型凭借训练先验擅自补全缺失内容。

与过去主要把多模型用于交叉标注和训练数据清洗不同，PrismAlign将多VLM组合直接放到推理阶段参与决策。论文数据显示，该系统在OmniDocBench 1.5上取得94.62的TEDS、97.30的TEDS-Structure，Overall进入95分区间，并在CC-OCR、PureDocBench的表格任务上达到SOTA。其提升并非主要来自更大的参数规模、更多私有标注数据或更长的处理链，而是来自开源模型之上的多视角贝叶斯融合。

这一设计也适合部署在昇腾系列硬件上，由多个模型并行完成观测，再由决策层进行低延迟归并。面向金融对账单、医疗报告和保险理赔单等高合规场景，系统还能在单元格粒度同时输出结构化文本与置信分数，便于业务按阈值筛选结果，并将低置信内容交由人工复核，形成更可控的Human-in-the-Loop流程。