Codex的核心优势被点明是“能读图”——论文核心结果常在图表里、只读文字会漏，但PDF里的多栏排版、扫描页、脚注和公式混排让“结构理解不完整”成为最常见问题，当Codex“读了”不等于“读全了”时，精读Skill到底该靠evidence package强制暴露证据，还是靠用户自己限定页码范围？

摘要：大模型“能读图”并不等于“读全了”。论文的结论性证据大量沉淀在图表、脚注、公式与跨栏引用中，而PDF解析的结构性损失使阅读代理在看似完成阅读时遗漏关键证据。本文以“证据暴露—边界约束”为分析主线，提出精读Skill的双轨设计：用evidence package（证据包）强制把图表、页码、坐标与引用链暴露为可核验对象，用页码范围与章节锚点约束检索边界，二者并非二选一，而是分别作用于“召回”与“精度”两个维度。文章拆解多栏、扫描、脚注、公式四类失效机制，给出可落地的流水线步骤、评测指标与工程取舍，并对多模态文档理解的前沿方向作出预判。

目录

一、问题的提出：从“能读图”到“读全了”的鸿沟

把一份学术PDF交给具备视觉能力的阅读代理，它往往能在几秒内给出“本文提出了一种新方法，在三个数据集上取得提升”的概括。这类输出在演示场景中极具说服力，但一旦进入真实的研究复现或技术选型，问题立刻暴露：提升幅度是多少、在哪个数据集上不升反降、消融实验的基线是否公平、显著性检验的p值落在哪张子图里——这些恰恰是决定结论能否成立的信息，而它们几乎全部位于正文叙述之外的图表、脚注与公式中。于是出现一个尴尬的分裂：代理“读了”，用户却无法确认它“读全了”。

笔者认为，这一分裂的根源不在模型能力本身，而在阅读契约的缺失。人类精读一篇论文时，会自觉建立“主张—证据—位置”的三元对应：某个论断由哪张图支撑、该图在第几页、坐标轴与图注是否一致。而当前多数阅读代理只交付“主张”，不交付“证据”与“位置”，用户被迫在信任与怀疑之间二选一。要弥合这条鸿沟，需要的不是更强的摘要能力，而是把阅读过程改造成可审计的证据生产流程。

由此引出本文的核心追问：精读Skill应当依靠evidence package强制暴露证据，还是依靠用户限定页码范围？这个二选一的提法本身值得商榷。证据包解决的是“证据有没有被摆到台面上”，页码范围解决的是“检索空间是否被收敛到相关区域”，前者作用于召回与可核验性，后者作用于精度与成本。二者是正交的两个控制维度，而非互斥的两种方案。理解这一点，是设计任何严肃精读工具的前提。

二、失效机制解剖：PDF结构损失如何制造漏读

2.1 多栏排版：阅读顺序的隐性错乱

双栏与三栏是学术期刊的主流版式，其阅读顺序依赖视觉分组而非字符流顺序。多数PDF文本抽取器按字符坐标排序输出，在栏间距较窄或存在跨栏图表时，容易把左栏末行与右栏首行拼接成一句语义不通的“缝合句”。更隐蔽的情形是跨栏图注：图注横跨两栏置于页面底部，抽取后可能被插入到某一栏的中段，导致图与注分离。代理若基于此类文本做摘要，会把图注中的关键限定条件（如“误差棒表示五次运行的标准差”）当作无关噪声丢弃。

本文评述：多栏问题的本质是二维版面到一维序列的降维损失。仅靠改进排序启发式难以根治，因为栏边界本身是模糊的。工程上更可靠的做法是保留版面对象（文本块、图像块、表格块）及其包围盒，让下游模型在二维坐标上做注意力，而非强行线性化。这一点在近年文档理解研究中已形成共识，LayoutLM系列工作（Xu et al., 2020；Huang et al., 2022）将坐标与文本联合编码的思路，正是对这一损失的正面回应。

2.2 扫描页：OCR误差的连锁放大

老旧论文与部分会议论文集以扫描件形式流通，需经OCR转为文本。OCR在正文段落上的字符准确率通常较高，但在三类区域显著退化：小字号脚注、斜体数学符号、以及图内的坐标刻度与图例。这些区域恰恰承载了复现所需的关键参数。一个典型连锁是：OCR把“α=0.05”识别为“a=0.05”，代理据此推断显著性水平时不会报错，却给出了错误的前提；用户若不复核原图，几乎无从察觉。

笔者认为，扫描页场景下“读图”能力的价值被显著低估。既然OCR不可靠，就应让视觉通道直接承担图内文字的识别，并把识别结果与原图区域一并放入证据包，由用户做最终裁决。这比追求端到端全自动更符合工程现实：可核验的“半自动”优于不可核验的“全自动”。

2.3 脚注与边注：归属关系的丢失

脚注在版面上与正文分离，在语义上却与特定句子强绑定。抽取器常把脚注统一归入页末文本块，代理在生成摘要时要么整体忽略，要么错误地将其并入相邻段落。实验类论文的脚注常包含数据集版本、随机种子、硬件配置等复现要素，遗漏这些信息会使“可复现”沦为口号。边注（margin note）在部分人文与交叉学科期刊中同样常见，其归属判定更依赖版面邻近性。

本文评述：脚注归属是一个典型的指代消解问题，只不过指代对象是版面位置而非语言实体。可行的工程路径是建立“脚注锚点—正文行”的邻近匹配规则，并在证据包中显式记录匹配依据（如垂直距离、上标编号），使归属判断可被质疑和修正。

2.4 公式混排：语义结构的扁平化

行内公式与独立公式在PDF中由字体、基线与间距共同编码，抽取为纯文本后，上下标、分式、求和范围等结构信息大量丢失。例如损失函数中的求和下标若被扁平化为同行字符，代理可能误判归一化方式，进而错误解读实验设置。公式识别（如LaTeX-OCR类工具）能部分恢复结构，但对复杂多行公式与矩阵仍有误差，且识别结果需要与上下文交叉验证。

将上述四类机制并列观察，可以看到一条共同线索：失效都发生在“结构”而非“字符”层面。字符大多被正确抽取，丢失的是字符之间的关系。这解释了为何单纯扩大上下文窗口或换用更强语言模型收效有限——输入表示本身已经残缺，模型再强也只能在残缺表示上做合理推测。精读Skill的设计因此必须前移到表示层与证据层，而非停留在生成层。

三、证据包：把“读过”变成“可核验”

3.1 证据包的最小结构

证据包不是把原文大段复制粘贴，而是对每个结论性主张给出可定位、可复核的最小证据单元。笔者认为，一个可用的最小结构应包含五个字段：主张（claim）、来源定位（页码＋包围盒或图号）、原文片段（含图注或表注）、抽取通道（文本层／OCR／视觉识别）、置信度与不确定说明。缺少任一字段，证据就退化为“引用”，用户仍需自行回原文查找，审计成本没有实质下降。

{
  "claim": "方法A在数据集D2上F1高于基线3.2个点",
  "locator": {"page": 7, "figure": "Fig.4b", "bbox": [312, 486, 548, 702]},
  "snippet": "Fig.4b 图注：误差棒为5次独立运行的标准差；D2为长尾子集",
  "channel": "vision",
  "confidence": 0.86,
  "caveat": "柱高由像素刻度估算，未获得原始数值表"
}

上述示例刻意保留了“caveat”字段。工程实践中，最危险的不是低置信度，而是高置信度的错误：代理从图中读出一个看似精确的数字，用户因格式规范而放松警惕。显式的不确定说明能迫使代理区分“读到”与“推断”，也让用户知道该去哪里复核。

3.2 强制暴露的三种实现路径

路径一，输出契约约束。在Skill的提示层规定：任何涉及数值、比较或因果的结论，必须附带至少一条证据记录，否则该结论不得进入最终报告。这是成本最低的实现，依赖模型遵循指令的能力，适合快速验证。

路径二，工具链强制。把证据生成做成独立工具调用（如“定位图表”“裁剪区域”“回链页码”），代理必须先调用工具取得证据句柄，才能引用该证据。工具返回结构化对象，模型无法凭空编造页码。这一路径把合规性从“模型自觉”转移到“系统架构”，可靠性显著提升。

路径三，后置审计。由独立的校验模块对报告中的每条主张做证据回溯，缺失或不匹配的打回重写。该路径适合对准确性要求极高的场景，代价是延迟与算力上升。本文评述：三条路径并非替代关系，实践中常以“工具链强制为主、输出契约为辅、后置审计抽样”组合使用，在成本与可靠性之间取得平衡。

3.3 图表证据的特殊性

图表证据与文本证据有一个根本差异：图表没有“原句”可引。文本证据可以逐字摘录，图表证据只能描述“从图中读出什么”，描述本身即是一次解释，存在偏差空间。因此图表证据包必须额外记录读取方式：是读取了图例文字、坐标刻度，还是依据柱高与轴线的几何关系估算。不同读取方式的误差量级差异很大，混为一谈会让审计失去意义。

一个务实的做法是为图表证据设定分级：一级为图内明示文字（图例、标注数值），可直接引用；二级为基于刻度的读数，需注明估算误差；三级为跨图推断（如由两张图对比得出趋势），需列出推断链。用户据此决定复核强度，而非对所有图表证据一视同仁。

四、页码范围：用边界约束换取精度

4.1 页码范围解决的是什么问题

限定页码范围的价值常被误解为“省token”。省成本只是副产品，真正的价值在于降低检索空间的歧义度。一篇三十页的论文中，同一术语可能在引言、方法、实验三处出现且含义略有差异；当代理在全文范围内检索时，容易把引言中的宽泛定义当作方法章节的精确操作定义。把范围收敛到方法章节，等于给术语加了一个隐式的语境限定。

此外，页码范围能显著减少跨栏与跨页引用带来的错配。图表与其正文引用常相隔数页，若检索窗口过窄，代理可能只看到引用句而看不到图；若窗口过宽，又可能把邻近但不相关的图误认为目标图。以“引用句所在页＋图所在页”构成的最小页集合作为约束，是一种兼顾召回与精度的折中。

4.2 页码约束的失效边界

页码约束并非万能。第一，用户未必知道该限定哪几页，尤其在初次接触某篇论文时，页码选择本身就需要先做一次粗读，形成“先有鸡还是先有蛋”的循环。第二，扫描件的页码可能与PDF物理页序不一致，封面、目录、空白页会造成偏移，用户按印刷页码限定却落到错误物理页。第三，补充材料与正文分离存放时，页码约束无法覆盖跨文档引用。

笔者认为，这些边界说明页码约束应作为可迭代的中间状态而非一次性前置条件。合理的交互是：先做低成本全局扫描产出“候选证据地图”，用户据此圈定页码范围，再进行深度精读。这把页码约束从“用户负担”转化为“人机协作的收敛点”。

4.3 章节锚点优于纯页码

相比裸页码，章节标题锚点更稳健：它不依赖物理页序，且语义明确。工程上可先解析出章节树（含小节标题与起止页），再让用户以“方法”“实验设置”“消融”等语义单元限定范围。对于结构规范的论文，章节树的抽取准确率较高；对于排版混乱的预印本，则需回退到页码或图表编号。图表编号锚点（如“只看Fig.3与Table 2及其引用段”）在复现场景中尤为高效，因为它直接对准证据载体。

五、双轨融合：一套可落地的精读流水线

5.1 总体架构

把前述分析收敛为一条可执行流水线，可分为六步：解析建图、候选定位、范围收敛、证据抽取、交叉校验、报告生成。每一步都产出结构化中间物，而非直接跳到自然语言输出。这样做的目的是让错误可定位——当最终报告出现偏差时，能迅速判断是解析错、定位错还是抽取错。

1. 解析建图：抽取文本块、图像块、表格块及其包围盒，构建页面对象图，保留栏序与层级线索。
2. 候选定位：以主张关键词检索候选证据区域，输出页码与图号列表，形成证据地图。
3. 范围收敛：用户或规则依据证据地图圈定页码范围与图表编号，作为后续检索边界。
4. 证据抽取：在收敛范围内做文本摘录与视觉识读，生成带通道标记的证据记录。
5. 交叉校验：比对正文引用句、图注与图内读数三者是否一致，标记冲突。
6. 报告生成：仅基于已通过校验的证据撰写结论，未覆盖项显式列为“未验证”。

5.2 交叉校验的具体规则

交叉校验是整条流水线的质量闸门。可操作的规则包括：正文声称的提升幅度与图中柱高读数是否在误差范围内一致；图注声明的样本量与正文实验设置是否一致；表格中的最优值是否与正文强调的结论一致；公式中的符号定义是否在相邻段落有明确交代。任一项不一致，即触发“冲突”标记，报告中不得直接采用该结论，而应并列呈现两种说法及各自来源。

本文评述：冲突标记的价值在于把矛盾显性化。传统摘要倾向于抹平矛盾、给出圆融叙述，这在技术阅读中是危险的。真实论文中正文与图表不一致并不罕见，可能源于修订遗漏或统计口径差异。精读工具的正确姿态是报告矛盾，而非替作者圆场。

5.3 与现有工具的衔接

在解析层，可参考开源文档解析项目的版面分析思路（如基于检测模型的区块划分），并结合PDF原生文本层做校正；在视觉层，可调用具备图表理解能力的多模态接口，对裁剪区域做定向提问而非整页泛读；在校验层，可用规则引擎实现上述一致性检查。需要强调的是，工具选择应服务于证据结构，而非追逐单一模型的榜单分数。

拓展阅读方面，读者可参考以下公开资源以加深对版面分析与文档理解的理解：LayoutLM 原始论文、Transformers 文档教程、PaddleOCR 项目主页、文档版面分析视频检索。这些资源覆盖了从坐标编码到OCR工程的完整链条。

六、评测、对比与局限

6.1 该测什么：从流畅度转向证据完备率

现有文档问答评测多关注答案正确率，难以反映“漏读”。笔者认为应补充三类指标：证据完备率（结论性主张中附带可定位证据的比例）、证据命中率（证据定位与人工标注的一致性）、冲突检出率（正文与图表不一致被正确标记的比例）。这三类指标直接对应本文的分析主线，且可通过小规模人工标注获得，无需大规模众包。

上表为定性对比，非实测数据。若要量化，建议构建小规模基准集：选取若干篇含多栏、扫描页、复杂公式的论文，人工标注其结论性主张及对应证据位置，再分别用四种方案跑测。此类基准的构建成本可控，且比通用问答榜单更贴近真实精读需求。

6.2 局限与反例

双轨方案并非没有代价。其一，证据包会显著增加输出长度与阅读负担，用户若不具备快速浏览结构化证据的习惯，反而降低效率。其二，页码范围依赖用户先验，对跨领域读者不友好。其三，视觉识读的误差在低分辨率扫描件上可能大到使证据失去意义，此时更诚实的做法是标注“无法可靠读取”，而非给出估算值。

还有一个值得警惕的反例：某些论文的核心贡献恰在于推翻图表中的表面结论（如指出某基准存在标注泄漏），此时机械地“以图表为准”会误导读者。这提示证据包应保留对证据本身的批判空间，允许代理标注“该图可能存在问题”并给出理由，而非把图表奉为不可质疑的权威。

七、结论与展望

回到开篇的追问：精读Skill该靠证据包还是页码范围？本文的结论是，这不是一道选择题。证据包解决“结论能否被核验”，页码范围解决“检索是否收敛”，二者分别对应可核验性与精度两个正交维度。真正决定精读质量的，是能否把阅读过程从“生成流畅叙述”改造为“生产可审计证据”，并在此基础上让人机协作完成范围收敛。

展望未来，三个方向值得关注。第一，版面感知与多模态理解的进一步融合，有望从表示层减少结构损失，而非在下游打补丁。第二，证据包的标准化，若社区能就字段与分级达成共识，跨工具的证据互认将成为可能，审计成本大幅下降。第三，评测体系的重心转移，从答案正确率转向证据完备率与冲突检出率，才能真实反映“读全了没有”。笔者认为，把“不确定”显式写进输出，是阅读代理走向可信的必经一步；一个敢于说“这一页我没读清”的工具，远比一个永远自信的工具更有价值。

主要参考文献