arXiv 发布 AmbiHTMLBench：用 HTML 重建富视觉文档的评…
论文AI 评分 68/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 AmbiHTMLBench，用于评测模型把真实文档还原为可执行 HTML 的能力，要求同时保留内容、组织结构和视觉外观。基准含 1,115 个页面并附结构化标注，采用两套评测协议：客观协议对齐真值与预测的渲染块，衡量表格保真度、页面级文本错误和二维布局一致性；另一套以参考为锚，用与人类偏好对齐的 LLM 评判衡量感知保真度。在十个多模态系统上，最佳客观分为 0.8092，但主观胜出者并非同一系统。作者还微调了一个小参数专家模型，发现针对任务的适配在该任务上表现良好。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载为什么用 HTML 而非 Markdo…
论文指出，传统文档解析系统多以 Markdown 作为输出表示，这种方式对线性文本有效，但难以完整保留细粒度的空间结构、表格几何、视觉层级与渲染语义。作者主张，对于异构且对版式敏感的文档，HTML 更有优势，因为其表示可以保持可编辑、可检查、可复用。AmbiHTMLBench 正是为系统研究这一设定而构建：给定一份真实文档，模型需要还原出可执行的 HTML，并同时保住内容、组织方式与视觉外观。
两套评测协议
基准的评测分两条路径。客观协议把真值与预测的渲染块对齐，测量三项内容：表格保真度、页面级文本错误，以及二维布局一致性。另一条是参考锚定的协议，通过让 LLM 评判与人类偏好对齐，来衡量感知层面的保真度。作者用这两套口径评测了十个主要的多模态系统，结果显示最佳客观得分为 0.8092，而主观评判的胜出者并不是同一个系统，说明自动分解指标与人类感知保真度反映的是互补的属性，单看一项不足以判断系统优劣。
小模型的任务适配
除基准本身外，作者还微调了一个参数规模较小的专家模型，发现针对该任务做特定适配后，模型在文档到 HTML 的重建任务上能取得不错的表现。这一结果被用来支撑 AmbiHTMLBench 的定位：它不只是一个排名榜单，更是用于诊断和改进文档解析系统的测试平台，帮助构建更智能、逻辑更清晰的解析方案。
为什么值得看
文档解析正从 Markdown 转向 HTML 表示，该基准给出可量化的评测口径，并揭示客观指标与人类感知并不一致。
多模态微调对齐论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。