P2TPO：面向整页文档解析的结构对齐页面到令牌信用分配

arXiv:2610.21979v1 公告类型：新 摘要：端到端整页文档解析必须保留异构元素的内容和结构，但即使输出整体准确，也可能包含局部错误和遗漏。单一的页面级优势值无法明确指出不同采样输出中哪些元素的质量存在差异，也无法定位错误发生的位置。我们提出 Page-to-Token Policy Optimization (P2TPO)，一种在整页策略轨迹上运行的结构对齐信用分配框架。首先，参考元素对齐将块级质量对比关联到生成的文本跨度。Unified Anchor Pricing (UAP) 纳入元素匹配和缺失的结果；当针对某个参考元素的采样输出获得相同但不完美的分数时，UAP 会相对于固定的质量上限提供反馈。在匹配的块内部，Span Credit Redistribution (SCR) 根据对齐的正确和错误文本跨度重新分配已有的块级信用，并使用边界代理来处理块内遗漏，同时保持该块派生优势值在其各个令牌之间的总量不变。在固定权重的加性页面效用设定下，我们证明，按元素索引的质量对比能够保留局部质量差异，而页面级聚合可能会抵消这些差异。在主要实验比较中，P2TPO 在六个文档解析基准中的每一个上，都以种子平均分数优于所有评估的策略优化基线。其他实验表明，该方法在不同模型规模和初始化方式下均能取得增益。