Logics-Parsing — RL 优化版面与阅读顺序的端到端 LVLM（阿里，2025）
📄 原文：arXiv:2509.19760 · PDF
⭐ 用 RL + 精设计奖励专治”复杂版面 & 阅读顺序”——这正是纯识别学不好、需要显式优化的部分。
一句话
基于 Qwen2.5-VL-7B 的端到端 LVLM，加强化学习：精心设计 reward 来优化复杂版面分析 和阅读顺序推断，输出结构化 HTML。
核心机制
- layout 中心：把版面分析和阅读顺序当核心难点（而非附属），端到端一模搞定。
- RL + reward 设计：为”复杂版面正确性”和”阅读顺序正确性”设计奖励，用 RL 优化—— 因为这类结构/顺序目标难用普通监督损失直接刻画。
- 结构化 HTML 输出：直接产出带结构的 HTML（表格/嵌套/顺序都在里面）。
对检测—识别组合系统的启示
- 阅读顺序用 RL 而非硬监督：顺序是全局排列问题，逐 token 交叉熵不好教。如果检测与识别模块 在阅读顺序上吃力，可像这篇用 RL + 顺序奖励（edit distance / 序关系奖励）来优化。
- 结构正确性做 reward：表格嵌套、单元格从属这种结构对错，用 reward 比 token loss 更贴目标。
- HTML 作为结构化输出目标：后端 AR 直出 HTML 能同时表达内容 + 结构 + 顺序，比纯 markdown 表达力强（尤其复杂表格）。
- 呼应 mineru2.5-pro/firered-ocr 都用 RL(GRPO) 收尾——RL 对齐正成为文档解析标配。
关联
- 升级：logics-parsing-v2（Omni 统一分类法 + 证据锚定）
- 阅读顺序/关系也重点处理：dots-ocr、dolphin
- 同用 RL：mineru2.5-pro、firered-ocr
- 基准：omnidocbench