感知、布局与验证：面向金融文档可靠直通处理的校准置信度

对金融文档中提取的键值字段进行无需人工审核的直通处理（STP），需要校准后的概率，以及对自动批准层剩余错误的有界保证。现代视觉语言模型（VLM）的出现，为键值提取提供了开箱即用的能力，但其以语言形式表达的置信度信号并不可靠，与字段正确性的相关性也较弱。本文提出了一个沿三个可解释通道分解的置信度层，分别包括感知、布局和验证。结合最终的保形风险控制，该评分可用于金融文档的可靠 STP。该方法在三个公开数据集上进行了验证，涵盖真实发票、合成发票和广告采购表单，并使用了两个不同的 VLM 系列（Qwen3.6-27B 和 Gemini-3.1-Flash-Lite）。我们的分解式评分持续提升了正确提取与错误提取之间的区分能力，在三个设计通道共同贡献下，将 AUROC 从 VLM 语言化信号的 0.54–0.74 大幅提升至 0.90–0.99。对于工业部署而言，更为关键的是，该方法实现了可实际使用的 STP。在目标错误率低于 10% 的风险控制条件下，原生 VLM 置信度信号只能放行 0.1%–7.0% 的字段。相比之下，所提出的方法可自动批准 49%–72% 的字段，同时将已接受层的经验错误率控制在目标值以内。