note
一、文档智能
【文档智能进展】讲的故事是格式化文本（公式、表格等）比纯文本熵值高一个数量级，导致模型输出不确定性大、解析准确率低，所以搞了个应对思路。工作在：Reading or Reasoning? Format Decoupled Reinforcement Learning for Document OCR，https://arxiv.org/pdf/2601.08834，
看核心思路：
1）数据层面：构建包含566k样本的多源格式丰富语料，覆盖9类文档，补充格式密集型数据；
2）训练层面：基于Qwen3-VL-4B，采用SFT-then-RL两阶段范式，SFT奠定OCR基础，RL聚焦格式优化；
3）策略层面：通过熵基数据过滤筛选50%高熵样本，集中优化复杂格式【用SFT模型推理计算样本平均token熵，筛选熵值≥阈值的样本（最优过滤率50%），比无过滤高，过低或过高过滤均会降低性能】；
4）奖励层面：设计格式解耦奖励，为纯文本、公式、表格分别提供字符串匹配、表达式正确性、结构一致性奖励【纯文本，字符串匹配奖励，使用归一化编辑距离；公式，表达式正确性奖励，使用BLEU分数；表格，结构一致性奖励，使用TEDS分数，结论是完整奖励方案（FP+SM+EC+SC）比单一字符串匹配奖励高，其中结构一致性奖励（针对表格）和表达式正确性奖励（针对公式）对格式优化至关重要】，采用GRPO算法。
Reference
1 Reading or Reasoning? Format Decoupled Reinforcement Learning for Document OCR