💡 一句话总结 ：「先把图表解析成结构化文本，再让 LLM 推理」是个听起来很美的省钱方案------复用、可检索、省 token。这篇论文做了个干净利落的体检：同一个模型、同一套题，喂它源结构的真值文本能考 87 分，喂它自己从图片提取的文本只有 23 分。修好了所有格式错误只涨 0.7 分；而只要丢掉答案需要的那一条边，再像原图也没用。
导语：一个流行架构的「病因不明」难题
这两年「图像→结构化文本→推理」的管线很火：DePlot 把图表转成表格再推理，各种文档解析器把流程图、截图转成 JSON 喂给语言模型。卖点很直白：文本可以复用、可以检索、推理时比图像省 token------毕竟让模型「看图思考」又贵又慢，而「读文本思考」又快又便宜。
但实践中有个反复出现的怪象：文本化之后，模型答题反而更差了。为什么会差？这背后其实藏着两种完全不同的病：
- 病一（获取失败）：提取器漏掉了问题需要的信息------图上明明有那条边，转文本时丢了；
- 病二（求解失败）：信息都在文本里，但求解器没能用好它。
这两种病的药方天差地别：前者该改进提取器，后者该改进求解器或换表示格式。而端到端准确率一个数字，根本分不清死因。Tulane 大学和 Virginia Tech 的团队（Yunbei Zhang、Janet Wang、Jihun Hamm、Chandan K. Reddy）给这个「病因不明」难题开了一个诊断协议，代码开源在 github.com/yunbeizhang...。
想自己动手试？
- 📄 论文：arXiv 2609.39142
- 💻 代码：github.com/yunbeizhang...
它的思路是什么？------给文本化做「三阶梯造影」
诊断的核心思想简单粗暴：固定求解器，只换输入，做对照。同一个 Qwen3.5-122B-A10B（8192 token 上限、温度 0、关思考），三种输入条件各考一遍 720 道流程图题（FlowGen 数据集保留的 240 张图，每张 3 道源派生问题：找前驱/后继节点、读边关系、算最短路长度）：
- direct：直接喂原图；
- learned ：喂模型自己从图提取的结构化文本（提取时不许看问题------模拟真实管线）；
- gold：喂从图的源数据直接导出的真值结构。
然后定义两个差距：获取差距 （learned − gold，负得越多说明「提取环节」丢效用越多）和充分性差距（gold − direct，正得越多说明「好结构」对推理越有用）。
这个设计还配了两把手术刀：
- 有效性恢复测试：把所有格式非法的提取结果重试到合法为止（升预算、归一化、再试一次），但绝不许用问题或答案来挑文本。如果差距是「格式烂」造成的，这招应该救回来。
- 匹配干预实验 ：从真值结构出发，做「改一条答案相关边」vs「改一条答案无关边」的匹配对照------同类型、同数量的编辑，唯一变量是错误的位置。
效果到底怎么样？------三个数字，三次反转
第一组数字：差距大得离谱。 gold 结构 87.1%，直接看图 27.2--28.8%，模型提取的文本 22.8%。获取差距 −64 个百分点------「给你图源的真值文本」和「给你提取出的文本」之间隔着一条马里亚纳海沟。
第二组数字（第一次反转）：修格式几乎没用。 有效性恢复把 schema 合法率从 82% 修到 99%+，准确率只涨 0.7 分。结论很硬：解析成功 ≠ 内容正确。格式能被消费，不代表节点、边、标签忠实还原了原图。而在受控生成的程序流程图和布尔电路上，同一套恢复策略能让提取文本的分数追平直接看图------说明「低成本格式错误」可以修，公共集上这个差距是语义层面的，修不动。
第三组数字（第二次反转）：难度把差距越拉越大。 10 节点以内的小图，learned−gold 差距 38.8 分；21--40 节点的图，差距拉到 85.2 分。分支深度同趋势。直接看图也比 gold 退化得快------难题对「从像素出发」的两条路都不友好，只有源结构一直稳在 70% 底线之上。
最锋利的一刀：一条边决定生死
如果说前面是「相关性」，干预实验给的是「因果性」。
从真值结构出发，只改一条答案相关边 （反转、删除或改向），122B 模型按原答案计分的准确率直接掉到 0--3.5% ；改一条匹配的答案无关边 （同类型同数量），准确率保住 92.4--93.9%。
这是什么概念？几十处无关的结构错误几乎无害，一处关键错误全盘皆输。所以「提取结果整体像不像原图」（全图拓扑匹配度）是个很差的质检指标------它把「丢了一条致命边」和「丢了十条废边」一视同仁。论文的数据也印证了这一点：用「问题相关拓扑」预测答题对错，比用「全图拓扑」预测得更准（Brier 损失 0.1406 → 0.1147）。
这给所有做文档解析的团队一个直接的行动指南：评估提取质量时，按「问题/任务需要的结构」加权，别用整体相似度。
顺便算笔账：文本化到底省不省钱？
结果是三段式的：
- 真值结构确实省钱：解题 token 比直接看图少 81.8%；
- 但获取本身要花钱：把提取成本（含失败重试）摊进来，单次使用（K=1）时文本路线反而更贵；
- 复用（K=3）能省 token，但补不回精度差距------省钱和答对，在这条管线上目前是两件事。
作者的判词相当克制：「高效的文本接口，未必带来高效的端到端替代。」
泼冷水时间
这篇论文最值得称赞的是它对自己的狠------局限清单写得比结论还长，几个关键点：
- gold 拿到了图上看不到的信息 ：作者事后审计发现，205 道关系题里有 142 道的目标关系（connectedTo、partOf）根本没印刷在图上------是源数据的隐藏约定。gold 在这些题上近乎全对、其他路线全灭。所以 87% vs 23% 的总差距不能解读为「纯提取误差」，它混入了「源结构独享的暗知识」。
- 编码不一致：learned 和 gold 用的图编码格式不同（实体关系对象 vs 三元组字符串），差距里混着「表示-求解器兼容性」因素。
- 范围限于 FlowGen 的 Diagrams 渲染器、源派生问题、一个模型家族；最短路问题族 gold 也只有 66.7%，说明部分题目存在求解器侧的额外瓶颈。
- 反例也如实报了：换一个数据集（QZhou），提取文本 71.0% 反超直接看图 69.8% 和源结构 67.7%------源结构是诊断参照系，不是普遍最优解，每个场景都要重新验证。
理性看待
这篇论文真正的贡献不是「文本化不行」------恰恰相反，它给出了一个什么时候文本化会不行、为什么不行的可操作判据。三阶梯协议（图 / 问题盲文本 / 源结构）本身就是一套可以原样搬走的质量审计方法：任何做「图像→文本→下游」管线的团队，都该给自己的提取器做一次这样的造影------你的差距是获取侧的（该练提取器），还是求解侧的（该换表示或调求解）。
而干预实验那句结论值得贴在工位上：决定答案的从来不是你恢复了多少结构，而是你有没有保住答案需要的那几条边。 87% 对 23% 的鸿沟里，装着的不是模型推理能力的不足------同一个模型读真值文本能考 87 分------而是提取环节在无声无息地弄丢关键证据。
从这个角度说，这篇论文和同期的 EVICALC、TRACE 其实是同一首歌的三个声部：文档智能的瓶颈已经不在「模型够不够聪明」，而在「证据有没有被完整、按正确身份、带着关键结构送进上下文」。
（数据与结论均来自论文原文，解读部分为作者观点，欢迎交流。）