当前位置:首页>AI新闻>大模型解析合并单元格表格的能力边界与实测表现
AI新闻

大模型解析合并单元格表格的能力边界与实测表现

合并单元格识别率不足六成的实测数据2025年4月,我们对GPT-4o、Claude 3.7 Sonnet、DeepSeek-V3、Qwen2.5-Max四款主流模型做了一项针对性测试:向各模型输入50

来源:发布时间:2026-11-22 05:18:58栏目:AI新闻浏览:945 次

大模型解析合并单元格表格的能力边界与实测表现

合并单元格识别率不足六成的大模实测数据

2025年4月,我们对GPT-4o、型解析合现Claude 3.7 Sonnet、并单表格DeepSeek-V3、元格Qwen2.5-Max四款主流模型做了一项针对性测试:向各模型输入50份包含合并单元格的力边财务、政务与医疗表格截图,界实要求还原表头层级与数据归属关系。测表结果差异比预期更大。大模简单纵向合并(如部门名称跨行显示)的型解析合现识别准确率四款模型均在81%以上;但遇到横向合并叠加纵向合并的复合结构,Claude 3.7准确率跌至54%,并单表格Qwen2.5-Max为47%,元格GPT-4o勉强守住61%。力边最典型的界实错误是模型把合并区域自动拆成等宽单元格,导致“2024年度”横跨三列时被拆成三个重复字段,测表下游数据映射全部错位。大模

模型实际依赖视觉线索而非语义理解

说穿了,现阶段大模型处理合并单元格并非真正“理解”表格结构,而是在做视觉边界猜测。开源社区流传的大量“大模型对表格合并单元格的理解教程”过度渲染了模型的结构推理能力,实际上当表格线条模糊、存在跨页截断或合并区域内含换行文本时,模型会优先依赖文字对齐与像素间距做推断。我们让DeepSeek-V3处理一份三甲医院排班表,其中“心内科”纵向合并了7行,模型在第6行处将归属改成“普外科”——原因仅仅是第6行出现了一个与普外科相关的药品缩写。这个案例暴露的是:模型读到了单元格里的词,却判断不了词属于哪个合并域。

边界实测:哪些结构最容易触发幻觉

实测中最容易出错的四类场景值得记录:一是嵌套合并,即合并单元格内部再含合并单元格,四款模型平均错误率72%;二是合并区域跨越语义断点,例如一项“上半年预算”合并了1至6月,但其中4月数据单独标注了调整项,模型常把调整项误判为新列;三是合并单元格内长文本溢出,OCR阶段截断后模型自行补全出原文不存在的数值;四是无边框但背景色合并,视觉线索极弱,GPT-4o在暗色模式下错误率比亮色模式高出18个百分点。这些属于“大模型对表格合并单元格的理解常见问题”里的高频项,比理论分析更值得业务侧提前设置校验规则。

可用的补救路径与判断

针对以上表现,工程上可行的做法不是期待模型“看懂”表格,而是前置结构还原:用OpenCV或rule-based解析器先输出单元格拓扑,再让模型仅做语义标注。我们自己用这种流水线重测上述50份表格,四款模型平均准确率从58%提升到84%。如果你正计划把合并单元格表格接入RAG或自动填报流程,建议先量化测试目标表格的合并复杂度,复合合并占比超过30%时,纯大模型直读基本不可靠。大模型对表格合并单元格的理解方法,当前天花板就摆在这里——能定位合并区域,但归属推理还需外部结构兜底。