arXiv cs.CL· Yu Zou, Yan Chen, Jialei Zeng, Xiaorui Zhou, Aixi Zhong, Qi Zhou, Haoran You, Ke Jiang, Changyu Hu·· 10 小时前AI 评分29
TETHER:面向设计驱动长文档的免训练、弹性、以目录为锚的层级抽取与恢复框架
TETHER: Training-Free, Elastic, ToC-Anchored Hierarchy Extraction and Recovery in Design-Driven Long Documents
AI 导读
TETHER 是一个免训练框架,把目录(ToC)当作结构先验,通过 LMM 构建文档骨架、再用锚点对齐把内容块绑定到骨架上,实现设计驱动长文档的层级恢复。在多语言 ESG 报告、产品手册和年报基准上,它取得 SOTA 零样本层级恢复效果,优于深层级恢复模型、专用解析器和通用 LMM。相比端到端基线,TETHER 减少 90% token 并大幅提速。
正文 · AI 翻译
摘要:将复杂文档转换为结构化知识,是下游研究中部署大型语言模型(LLM)迫切所需的关键基础设施。然而,现有自底向上的范式对作为宏观结构的目录(ToC)视而不见,依赖局部视觉线索,在高熵布局中诱发启发式脆弱性——在这些布局中,视觉显著性与逻辑深度相脱节;同时,直接由 LLM 抽取缺乏空间依据,在长上下文中引发幻觉。为此,我们提出 TETHER,一个无需训练的框架,它将目录从被丢弃的噪声提升为关键的结构先验,从而能够稳健地适配设计驱动的长文档。TETHER 通过两阶段神经符号机制运行:首先,它利用受时空语义约束增强的大型多模态模型(LMM),从原始目录构建文档骨架;其次,它采用基于锚点的对齐策略将内容块系连到该骨架上,有效解决边界歧义。在多语言基准(涵盖 ESG 报告、产品手册和年度报告)上评估,TETHER 实现了高精度、最先进(SOTA)的零样本层级恢复,优于深度层级恢复模型、专用解析器和通用 LMM。此外,压力测试凸显了 TETHER 对稀疏遗漏和文本噪声的韧性,表明其精确的语义对齐从根本上锚定于拓扑与深度保真度。关键的是,消融实验证实了该框架在架构上的不可约性,同时相比端到端基线实现了 90% 的 token 缩减和大幅加速,在结构精度与部署可扩展性之间建立了有力的平衡。
| 评论: | EMNLP 2026 主会 |
| 主题: | 计算与语言(cs.CL);计算机视觉与模式识别(cs.CV) |
| 引用为: | arXiv:2611.24960 [cs.CL] |
| (或 arXiv:2611.24960v1 [cs.CL] 为本版本) | |
| https://doi.org/10.48550/arXiv.2611.24960 由 DataCite 颁发的 arXiv DOI(待注册) |
|
| 期刊 参考: | https://aclanthology.org/2026.emnlp-main.2354/ |
| 相关 DOI: | https://doi.org/10.18653/2026.emnlp-main.2354
链接到相关资源的 DOI |
提交历史
来自:Yu Zou [查看电子邮件]
[v1]
2026年11月11日星期三 19:34:29 UTC(12,854 KB)
来源:arXiv cs.CL · arxiv.org