这项由马德里康普顿斯大学ICAI工程学院技术研究所完成的研究发表于2025年1月，论文编号为arXiv:2601.05125v1，为视觉丰富文档理解领域带来了革命性突破。
在我们的数字化时代，每天都有无数的文档需要被识别和理解——从学生的成绩单到医院的病历，从银行的账单到保险的理赔单。这些文档不仅仅包含文字，更重要的是它们的版式布局、表格结构、图章印记等视觉信息。就像我们人类看到一张成绩单时，不仅能读懂上面的文字，还能瞬间理解哪里是学生姓名、哪里是科目成绩、哪里是学校印章一样，我们希望AI也能具备这样的"视觉理解"能力。
然而，让AI真正理解这些复杂的视觉文档却比想象中困难得多。传统的做法就像让一个从未见过地图的人去导航——即使他认识所有的文字，也很难理解地图上各种符号和布局的含义。更关键的是，当我们想要改善AI的表现时，往往采用人类的视角来评判训练数据的质量，认为看起来越逼真的图片就越好。但这就像用人类的味觉标准去评价机器人的"食物"——AI的"消化系统"和人类完全不同。
正是基于这样的洞察，马德里康普顿斯大学的研究团队提出了一个颠覆性的观点：评价训练数据好坏的标准
