金融文档识别不能只看OCR准确率：一套面向风险的评估框架

金融文档识别看似是OCR问题，实际却更接近一个高风险的信息恢复与决策支持问题。一张发票、银行单据或财务表格中，一个数字、负号、日期区间或实体名称识别错误，就可能改变交易含义。仅用字符错误率（CER）或词错误率（WER）评价系统，容易把这些影响完全不同的错误视为普通字符差异。

从“读得像”转向“事实是否可靠”

这项研究提出了一套以人为中心、受风险约束的评估框架。它首先把金融事实定义为可核验的结构化对象，并将其连接到文档中的可见区域。这样，系统不仅要给出一个结果，还要说明这个结果来自哪里，是否能被人复查。

框架还区分三个容易被混为一谈的环节：

• 逐字转录：系统看到了什么，就尽可能原样记录什么；
• 确定性规范化：按照明确规则统一日期、货币或格式；
• 业务解释：进一步判断交易性质、实体关系或财务含义。

这种拆分有助于定位问题。一个模型可能文字识别准确，却在表格结构、字段归属或业务关系上出错；也可能在规范化过程中改变原始信息。若把所有环节压缩成一个总分，风险来源就会被掩盖。

关键字段不能被平均分数“稀释”

研究提出分层质量模型，覆盖文本、区域定位、版面、表格、字段、事实正确性、证据关联、不确定性、鲁棒性和运行性能。更重要的是，它采用非补偿式的验收门槛：金额、标识符、正负号、期间和实体关联等关键字段必须分别满足风险约束，其他字段的高分不能抵消这些地方的失败。

风险约束由工作流负责人预先设定，统计分析则用单侧不确定性上界评估现有证据是否足够。即使测试样本中观察到零个错误，也不代表真实错误率为零。对于零错误观察情形，研究给出单侧Clopper–Pearson上界：U = 1 - α^(1/n)。多个关键门槛同时检验时，还需要考虑家族错误率控制，例如采用Bonferroni分配。

自动化的边界应由风险决定

该框架没有把“全自动”当成唯一目标，而是将选择性自动化视为一个路由问题：哪些案例可以直接处理，哪些案例必须交给人工复核。路由决策需要同时考虑残余风险、人工审核容量和审核成本。当系统证据不足、置信度不可靠，或某字段的潜在损失过高时，延迟处理并请求人工介入，反而是更可信的自动化方案。

研究还强调了数据标注、争议裁决、避免数据泄漏的基准划分、统计估计量、子群体分析和可复现性记录的重要性。它的贡献是理论和方法论框架，并未提出新的识别模型。

意义与影响

这项工作提醒行业：金融文档AI的验收标准应从“平均识别得分”转向“关键事实能否被证据支持，以及错误风险是否处于可接受范围”。对于银行、财务和审计流程，人工复核不应只是系统失败后的补救，而可以成为按风险分层设计的正式环节。真正值得信任的系统，不是声称自己不会犯错，而是能够明确哪些结果有足够证据、哪些结果必须交给人判断。

来源：Hugging Face Daily Papers