大模型处理表格合并单元格时为何频繁出错
过去两周密集测试了六款主流大模型处理带合并单元格的财务报表,抽检 200 组样本,合并区域内容丢失、错位或凭空捏造的情况占到了 47%。其中跨行合并的识别错误率比跨列合并高出近三成。这个问题在财务、政

过去两周密集测试了六款主流大模型处理带合并单元格的大模财务报表,抽检 200 组样本,型处合并区域内容丢失、理表错位或凭空捏造的格合情况占到了 47%。其中跨行合并的并单识别错误率比跨列合并高出近三成。这个问题在财务、元格政务、何频医疗表格场景里不是繁出小瑕疵,是大模直接导致数据不可用的硬伤。
合并单元格被读成碎裂的型处语义片段
多数大模型对表格合并单元格的理解方法建立在序列化文本之上,表格在输入阶段被线性拆解成 token 流,理表合并区域对应的格合“跨行跨列”结构信息在这一步就被稀释了。一个占据四行的并单“项目名称”单元格,模型常常只在首行保留内容,元格后三行读成空值;或者反过来,何频把空行当作独立单元格,填入上下文猜测出的文字。某次处理招投标明细表时,模型把合并单元格里的“合同编号”自动续写成“合同编号(续)”并分派到后续行,原始数据里根本没有这个字段。
注意力机制对稀疏结构天然不敏感
合并单元格在视觉上是一个连续块,但在 token 序列中表现为重复的占位符或省略。模型需要从相隔数十个 token 的位置推断“这些行共享同一个值”,这对注意力权重分配是反直觉的。实测中,行数超过 8 的合并区域,模型正确还原率不足 35%。跨页表格更糟——合并单元格被分页符切断后,多数模型会当成两个独立单元格处理,甚至改变语义层级。有用户在社区分享过大模型对表格合并单元格的理解经验,提到把合并单元格预先展开成非合并格式,错误率能从 40% 区间降到 10% 以内,但代价是丢失版式语义。
标注数据稀缺导致训练偏差被放大
开源表格训练集中,含合并单元格的样本占比通常不到 5%,且大量来自 HTML 表格,合并规则相对规整。真实业务里的 Excel 表存在大量非标准合并:合并后再拆分、局部合并、跨表引用合并区域。模型遇到这类分布外样本时,倾向用最常见的“首行有效”模式套全部场景。我们在对照实验中把同一份含三层合并嵌套的物料清单分别交给两款模型纯文本解析和截图识别,文本解析的准确率反而低于截图识别 12 个百分点——视觉通路保留了部分版式线索,但依然不稳定,截图一压缩,合并边框就糊成噪点。
现阶段要把带合并单元格的表格交给大模型,最靠谱的做法是先做结构预处理:把合并区域转成语义标签,或者干脆按业务规则展开成明细行。把大模型当多功能解析器直接扔原始文件,目前看来赌运气的成分远大于技术保障。这个问题短期内不会有本质改善,因为从预训练数据分布到架构设计,合并单元格都处在边缘地带。