知识卡片：弥合文档视觉语言模型的成本-质量差距：难度感知数据筛选与质量调整部署经济学

一句话结论

该工作展示了一个已部署的文档理解系统：它基于总参数35B、激活参数3B的混合专家（MoE）视觉语言模型，结合“难度感知”数据筛选与内部生产数据微调，在质量调整后的预期成本上比人工基线降低超过80%，比最佳可比开源模型降低超过50%。

事件概述或研究问题

在受监管行业中，每年需从数亿份文档中提取结构化字段，成本高昂。自研OCR级联只能覆盖少数工作流，隐私规则禁止调用外部模型，而能达到质量门槛的开源VLM在服务成本上甚至高于人工标注。因此，研究问题是如何弥合文档VLM的“成本-质量差距”。

方法/产品要点

• 架构：MoE VLM，总参数35B，激活参数3B；可运行在单个H100上。
• 数据策略：在内部生产数据中混入开放域文档；通过Difficulty-Aware管道按“布局多样性”“事实可提取性”“跨模型一致性”筛选数据。
• 服务方式：用提示（prompting）方式服务异构工作流，而非为每个任务单独训练模型。
• 成本分析：引入质量调整成本分析，并使用生产遥测标定“确认”和“纠正”成本。

主要结果或产业意义

• 模型在所有“可部署（非推理）”基线中领先，而这些基线最大可比模型规模大出一个数量级。
• 质量调整后的预期成本：比人工基线降低超过80%，比最佳竞品开源模型降低超过50%。
• 更大规模的基线模型在经济上不可行。
• 产业意义：为受监管行业提供了一条私有化、单机可部署且具备成本优势的大规模文档理解路径。

为什么重要

与已有相关卡片关注的VLA、视频质量评估、多跳问答不同，本条聚焦文档理解中的“成本-质量”权衡。其增量信息在于把“难度感知数据筛选”和“质量调整部署经济学”结合：不只是报告准确率，而是在真实生产遥测下将人工、确认、纠错等成本纳入模型选择，显示中等规模MoE加数据筛选可以在经济上胜过更大模型和人工标注。

局限与不确定性

• 摘要未说明具体文档领域、工作流类型和抽取字段，需待核实。
• “35B总/3B激活”模型的具体架构、训练数据规模和评测基准未披露，需待核实。
• “可部署（非推理）基线”具体包含哪些模型、如何定义“可部署/不可部署”，未在摘要中展开，需待核实。
• 成本数字来自生产环境，但具体定价模型、标注场景和错误成本系数未给出，难以外部复现。
• 未提供数据集名称与独立测试集上的质量指标，需待核实。

可用于图书/PPT/简报的角度

• 可讲关键词：文档理解、MoE、数据筛选、部署经济学。
• 核心观点：模型部署决策不能只看准确率，而要看“质量调整后的成本”。
• 启发：中等规模模型配合高质量数据筛选，可能在真实业务中比“更大模型”更经济。
• 案例参考：受监管行业中的大规模文档结构化、本地化部署。

与既有脉络的关系

• 与“缩小实验室到商店差距”卡片类似，本文同样强调系统集成和部署约束，而非单纯追求模型规模。
• 区别于VLA后训练，本文聚焦文档视觉语言模型，并通过生产遥测引入“质量调整成本”作为关键评估维度。

英文标题、英文关键词与原始材料

• English Title: Closing Cost-Quality Gap in Document VLMs: Difficulty-Aware Data Curation and Quality-Adjusted Deployment Economics
• English Keywords: document VLM; mixture-of-experts; difficulty-aware data curation; quality-adjusted cost; document understanding
• Source: arXiv:2609.01575v1
  URL: https://arxiv.org/abs/2609.01575v1
  Authors: Maksim Evdokimov, Matvey Ivanov, Dmitrii Tsiupin, Olga Tsymboi, Anatolii Potapov, Aleksandr Ivanov
  Published: 2026-09-01 (Updated: 2026-09-01)
  Primary category: cs.CL