让 AI 读财报，
让数学抓出 OCR 的错。
把财报 PDF 里被机器读错的数字，一处不漏地揪出来——
在 1000 份真实招股书与年报上实测（300 官方 + 700 自建）。
40,206.073.20，机器只当成四万块来算——
人眼几乎不可能翻出来。
机器认字会错，
而错在数字上，就是量级偏差。
句号
多一位
截断
乱码
错位串行
单看都不起眼；落到财务数字上，每一种都是量级级别的偏差。而 OCR 从不会主动说"我这里可能读错了"。
确认的真实 OCR 错
（保守 · 未计待复核）
（多读一位/小数点错位）
逐数核对，
是最耗人又最不容错的苦活。
三大表逐个数字核对，一个有经验的人要核 小半天。
还不能出错。人海战术，覆盖不了这个量级。
这正是这套系统想替人扛下来的活——把"逐数核对"自动化，把人留给真正需要判断的疑点。
会计，是一门平衡的艺术。
每一张报表，本质都是一架必须时刻保持平衡的天平 —— 两端永远相等：
只要一个数字被 OCR 读错，这架天平立刻失衡。错误，会自己暴露 —— 这正是我们抓错的突破口。
同一个问题，
两种截然不同的解法。
一个大模型，
又读又算又下结论
又快——但不可信：大模型最不可靠的恰恰是算术，还会自作主张"顺手改个数"，而且你没法复现。
把"读"和"算"
彻底拆开
读，交给擅长语义、偶尔出错也不致命的 AI；算，交给永不出错、可复现的代码。各司其职，错误无处藏身。
抽取要能泛化，校验要够便宜。
"读" 为什么不能用正则
十万份银行真实收到的财报，格式千变万化，正则永远穷举不完 —— 面对真实多样性会立刻欠拟合。"读"必须交给能泛化的模型。
"算" 为什么不能交给大模型
漏掉 63% 的真不平衡
它把打印的合计当成"分项之和"判"平衡"，用"看起来对"掩盖"其实不平"。算术交给零成本确定性代码——又对、又唯一可复现。137 张留出 BS 实测 · 详见路线对照①
我们的破局：1.3B 小模型抽取（泛化 · 近零成本） ＋ 确定性代码校验（零模型成本）。两个约束，同时拿下。
AI 只负责读，
代码只负责算。
交给 MiniCPM-V-4.6
这是哪张表、哪一列、哪个科目——大模型擅长，偶尔贴错个标签也不致命。
交给纯代码引擎
所有加减勾稽——代码最擅长、永远可复现，绝不会幻觉、绝不会改数。
铁律：AI 逐字照抄数字，绝不参与任何加减、绝不顺手改数。把易错的算术从 AI 手里拿走，正是它能"抓出错"而非"引入新错"的根本。
对单份文档，
上百次小模型精读。
对 MiniCPM-V-4.6（1.3B）的调用
每次只问一个受约束的小问题。切得越碎，单次越简单、越可控、越能并发——13 亿参数也能稳，成本近乎为零。
七类语义活，每一类都在真实地跑。
含"○○科技股份有限公司"字样
-V-4.6 →
"scope_word":"合并"}
列2 "2020.12.31"
-V-4.6 →
"col 2":"2020-12-31"}
4:项目 5:期末 6:期初
-V-4.6 →
col4 标签/g1 · col5 期末值/g1
（母/合并两套数并排）
-V-4.6 →
group1 → 负债权益子表（各自抽）
-V-4.6 →
"section":"流动负债",
"period_end_raw":"40,206.073.20"}
占比合计达 68% …"
-V-4.6 →
"risk_category":"经营风险"}
声明："行政处罚 50 万元"
-V-4.6 →
"issue":"金额不符"}
再脏的表，会读的模型照样拿下。
一张表被切成两页，
续页连表头都丢了
资产负债表上半截在第 12 页、下半截在第 13 页，续页连期次表头都没了。写死的规则一断就废。
小模型登场：一眼认出“这是上一张表的下半身”，借回表头、对齐每一列；脏到列都错位，就让模型连读三遍投票，把两页严丝合缝拼回一张完整的表。
十几列的所有者权益变动表，
母公司、合并还挤一行
列错一格，整张表的勾稽就全盘皆错。这是最容易“串列”的表。
小模型登场：逐格读懂每列是什么、每个数字归哪一栏、哪是母公司哪是合并；列对齐交给模型理解到位，再由确定性引擎逐列逐行复核。
越唬人的版式，越证明这条路对：读的脏活累活全压给会泛化的小模型，算账只信确定性引擎。模型越强，读得越准。
效果，是从实测里打磨出来的。
把抽取压成
一次问答
单步 NDJSON 输出 · 1.3~7 秒一张表，截断也只丢最后一行。
确定性表格优先
LLM 只做兜底
有结构的表格走纯代码逐格抽取，100% 忠实、根本不惊动模型；只有零散文本才请 MiniCPM-V-4.6 出马。
能不让 AI 碰的，就不碰。
零温采样
外加多源投票
temperature=0 让单次确定；再可选叠加 N 轮投票，逐行取众数，把一致率和冲突全部暴露。
稳定 ≠ 正确，冲突也摆上台面。
这 25 条校验，
具体在查什么？
AI 的幻觉，进不了最终结论。
只是标签
它不算账、不判对错。贴错了，最坏只是错个标签，不会变成假警报。
只由等式裁决
每条标红都是一条会计等式真的不平衡——纯代码、可复现、与哪版模型无关。
给得出证据
附差额金额、勾稽路径、OCR 原文——直接告诉你"这里差 4,020 万"。
还有一道忠实性守卫：反查每个抽出的数字是否真出现在 OCR 原文里——绝大部分能精确回查命中，对不上的主要是 OCR 噪声本身，而非 AI 捏造。
把"算"也交给大模型，
它会用"看起来对"掩盖"其实不平"。
（漏掉 40/63 真实不平衡）
我们 63/63 全抓到，差额精确到分
→ 错误从台账里消失
我们 0 改写 · 逐字照抄
大模型不是不会读（逐字抽取它没错，甚至标出了可疑值）——是不会(真去)算。这正是我们把"算"交给确定性代码的理由。
抽取岗位要的是忠实＋便宜，不是"聪明"。
结构化表 → 确定性逐格最划算（100% 忠实·零成本·毫秒级·可复现）：大模型抽得也准，但白花钱还慢；1.3B 单抽宽表只抽出一半。所以小模型的岗位是零散文本字段＋坏表兜底，表格交给代码——抽取，不必为"大"买单。
1000 份真招股书 / 年报，
逐份实测出来的。
抽取率
抽取率
六表齐套
触达率
年报更脏、表更宽，合并三大表 93.9%——距 95% 仅 1.1pp，已逼近 1.3B 小模型＋脏 OCR 的物理上限。抽出的数字绝大多数都能在 OCR 原文精确回查。
把 36 万个数字 逐格核过一遍。
的数字总量
的数字个数
等式不平衡处
命中 1 处疑点
这些标红是真错还是假错？我们对 1000 份逐条独立复核每一处标红（codex ＋ 多 agent）—— 确认 4,100+ 处真实 OCR 误读（销售收现少计 4 亿 · 存货漏读 1 亿 · 最高偏差千亿级）；约占可判定标红 4 成（官方集达 6 成），其余为抽取口径 / 源表舍入。
"对每一份都做一次体检"，
第一次在成本上成立。
完成抽取 + 全部 25 条勾稽核验实测单表抽取 1.3~7 秒
读交给近零成本小模型，算是纯代码，两头都能并行。
文档之间彼此独立，加机器就近似线性提速，没有中心瓶颈。
财务之外，赛题要的字段每一类都抽到、可追溯。
"张万武…直接持有公司 39.29% 的股份"
-V-4.6 →
"registered_capital":{38000,"万元"},
"controlling_shareholder":"张万武",
"ratio":39.29, "evidence":"p17/p299"}
项目总投资 78,625.28 万元
拟使用募集资金 60,959.03 万元"
-V-4.6 →
"total_investment":{78625.28,"万元"},
"planned_use":{60959.03,"万元"},
"evidence":"p28"}
-V-4.6 →
"risk_category":"经营风险",
"severity_level":"高",
"evidence":"p5"}
5,000.00 万元 连带责任担保
2019-12-17 至 2020-12-16"
-V-4.6 →
"counterparty":"袁胜春/蔡小霞",
"amount":{5000,"万元"},
"evidence":"p303"}
（2021 – 2024H1 四个报告期，逐格抽取）
＋勾稽 →
"field_scope":"合并资产负债表",
"period":"2023-12-31","value":230148626.02},
{"field_name":"营业收入","field_scope":"合并利润表",
"period":"2023","value":1033736244.79}…]
不止页码——证据精确到那一格的 bbox。
{ page, chapter,
block_type, quote,
bbox:[x0,y0,x1,y1] }
抽取值 → bbox 坐标 → 回到原文那一格。OCR 读成 40,206.073.20，原文那一格是 40,206,073.20。
省的是人月，
防的是事故。
授信尽调底稿
上千个字段先跑平，只把真正不平的几处推到客户经理面前。
每份 ~363 个数字 → 仅 ~14 处需人工复核
监管 / 交易所巡检
人海覆盖不了的十万份级入口，秒级单份、小时级全量。
数据供应商质检
入库前过一道勾稽闸，等式不平的脏数据当场拦下。
校验器，还能织得更密。
文本数字 ↔ 表格数字
把正文与附注里散落的金额，跟报表对应数字做交叉勾稽，让校验网覆盖到表格之外的每一处引用。
采纳 MinerU confidence
读取 MinerU 返回的置信度，对低置信的数字优先复核，把"可能读错"在算账之前就标出来。
所有者权益变动表校验
SCE 是最宽、最易串列的表，OCR 结果也最脏；正在让小模型把它读稳，再接入这套校验体系。
小模型负责读，
确定性数学负责判。
速度来自 AI，信任来自数学。
把一个近零成本的小模型，拆细、约束、互证、复算，逼成一台既能规模化、又值得信任的读表机器。
谢谢，欢迎提问。
