AmbiHTMLBench：面向基于 HTML 的视觉丰富文档解析的基准

传统文档解析系统使用 Markdown 作为输出表示，这种方式对线性文本有效，但无法完整保留细粒度的空间结构、表格几何结构、视觉层级或渲染语义。我们表明，对于表示形式必须保持可编辑、可检查和可复用的异构且布局敏感的文档，HTML 具有优势，并推出 AmbiHTMLBench，以系统性地研究这一场景。在该基准中，给定一份真实世界的文档，模型必须重建可执行的 HTML，同时保留文档的内容、组织结构和视觉外观。该基准包含 1,115 个带有结构化标注的多样化页面，并以两种不同方式评估预测结果：客观评估协议对齐真实标注与预测结果的渲染块，衡量表格保真度、页面级文本误差和二维布局一致性；作为补充，以参考为锚点的评估协议通过使 LLM 评判者与人类偏好保持一致，衡量感知保真度。在十个主要多模态系统中，最佳客观得分为 0.8092，而主观评估的优胜者则是另一个系统，这表明自动化分解评估与人类感知保真度反映了互补的属性。我们进一步微调了一个小参数量专家模型，发现针对任务的适配能在文档到 HTML 的重建任务上取得良好表现。这些结果确立了 AmbiHTMLBench 作为诊断性测试平台的价值，有助于构建更智能、更具逻辑性的文档解析系统。