它不是"把 PDF 喂给 AI 让它读出来"那么简单。财报扫描件经 OCR 转成文字时经常读错数字——多一位、少一位、串了列。我们的做法是：让 AI 只负责逐字照抄、把所有算账交给确定性代码，用看图兜底救最烂的表，最后把"机器找到的疑点"排成队列交给人裁决。每一个数字都查得到出处、由代码裁决对错，AI 经手的算术是 0 次——连我们给自己打分的评分卡，也是拿最严的口径算的。
把它想象成一条极其较真的财务审计流水线：先把财报 PDF 拍照认字（OCR）变成带坐标的文本；干净的表由确定性代码逐格抽取，难啃的版式派只会照抄、不会算账的"蚂蚁"小模型去救；然后交给一个不会出错的"算盘"（确定性代码）按 34 条勾稽规则逐条核对，对不上就标红；被 OCR 彻底搞烂的跨页表，直接看图把数字读回来，且必须再过闸门才采信；最后所有疑点排成队列，人来判、机器改、全程留痕，导出一份能直接算的干净报表。
结果：在 1000 份真实招股书 / 年报上，抽取并逐格勾稽了 36 万个数字，独立复核确认了 4100+ 处真实 OCR 误读——每一处都能精确指回犯错的那一格。
全程主线案例 · 000048（一家上市公司的合并财报，含一张被 OCR 拆成 4 页、代码彻底抽不出的合并资产负债表）
一切的起点，是一份扫描件 PDF——本质就是一沓图片，机器看不懂里面的数字。第一步用 MinerU 把它"拍照认字"（OCR），解析成带页码、带块坐标（bbox）的结构化文本（一个叫 content_list 的 JSON）。这一步是后面所有"逐字溯源"的地基——但要命的是，这块地基本身就带着裂缝。
OCR 把每一页的每一块（标题、段落、表格）都框出来，记下它在第几页、在页面的什么位置，再认出里面的文字。表格会被还原成 HTML 形式的行列。
content_list —— 每个块带 type（表格/文本/标题）、page_idx（第几页）、bbox（0–1000 归一化坐标）、识别出的文字内容{
"type": "table",
"page_idx": 69, # 第 70 页（0 起算）
"bbox": [88, 120, 915, 880], # 在页面的位置
"table_body": "<table>…合并资产负债表…</table>"
}
# ↑ 后面"看图兜底"靠的就是 page_idx + bbox：
# 知道这张烂表在第几页的哪个框，才能把它单独渲成图片重读。
财报的数字又密又长、表又宽，OCR 出错是常态。这些错人眼几乎翻不出来（几百页里某一格多了一位），却能让一个数偏差几百上千亿。下面每一类都是真实抓到的例子。
认清这些错，才明白后面几幕为什么要那么"较真"：AI 只敢照抄、算账只信代码，正是为了"抓出这些 OCR 错，而不是自己又添新错"。
有了 OCR 文本，第二步是把每张表的数字"抄"进结构化字段。这里有两个反直觉的核心决定：其一，能不用 AI 的地方绝不用——结构干净的表由确定性代码逐格抽取，根本不惊动模型；其二，需要 AI 时，用的是一个只有 1.3B 参数的"小模型"（MiniCPM-V-4.6），不是大模型。它的任务被压到极致简单——只逐字照抄数字，一个加减都不许做。所谓"大规模"，指的不是模型大，而是把这个小蚂蚁高密度并发调用，一张表叫一次。
这是整套系统的第一铁律：LLM 只做"文本 → 结构化"的逐字翻译，所有加减、勾稽、推算全部交给纯代码。
# 输入：一张表渲成的紧凑文本 货币资金 | 704,405,482.04 | 612,330,118.77 应付账款 | 40,206.073.20 | 38,915,200.00 … # 铁律提示词（固定、极短）： · 逐字复制 OCR 数字，一个字符都不许改 · 输出 NDJSON，每行一个科目，5 个字段 · 不准做任何加减，不准"纠正"看起来不对的数 # 输出：每行一条（注意它照抄了那个坏值！） {"label_raw":"应付账款","period_end_raw":"40,206.073.20"}
系统不是把整本财报塞给模型，而是按表拆开、并发抄：资产负债表、利润表、现金流量表三类，每类还分"合并"和"母公司"两口径，每张表单独叫一次小模型。
并行抽取: BS 资产负债表 → 合并 / 母公司 IS 利润表 → 合并 / 母公司 CF 现金流量表 → 合并 / 母公司 不走 AI（确定性）: SCE 权益变动表 → 代码按网格展开（防串列）
系统把本案例 000048 里所有要抄的表排成队列，用 5 个并发工位同时抄；读完一张立刻从队列补下一张。注意：SCE（黄色）不进 AI 工位，由确定性代码单独处理。点"开始抽取"看它怎么转 👇
放大看一个工位抄一张表到底吃进什么、吐出什么——本质就是一次极简单的"复印"调用：
科目 | 期末数 | 期初数 逐行label_raw / role / canonical_code / 期末 / 期初单张表失败被隔离：抄不出/残缺 → 记为该表失败（fail-loud），其余表照常完成，绝不拖垮整批，也绝不静默吞成"抽到了"。
年报里最常见的"丢表"原因不是认不出字，而是一张长表被印到了好几页上——OCR 把它切成几个碎块，每块单看都"缺头少尾"。归因分析显示，年报留出集没抽齐的文档里约 45% 卡在这一步。拼接不靠 AI 猜，靠三条确定性判据：列结构得对得上、科目序号得能衔接、中间不能夹别的表。点"拼接"看碎块怎么合成一张完整逻辑表 👇
数字抄进来了——但 OCR 抄错的那些怎么揪出来？答案是第二铁律：所有算账只信代码，绝不信 AI。一个纯代码的"算盘"拿着 8 大规则族、共 34 条勾稽规则（资产总计该等于负债加权益、营业利润链条得能推下来、现金期末该等于期初加净增……）逐条核对。对不上的，当场标红。这道关卡 AI 没有任何参数能绕过。
所有金额先统一换成"分"的整数再比（永无浮点误差），按会计等式核对。但这里有个极诚实的细节：标红 ≠ 真错。标红只是"这条等式没对上"，背后可能是三种情况：
所以系统从不把"标红"直接当"真错"汇报，而是把每一处标红都送去独立第三方复核（一个跟抽取链路完全无关的裁判，两轮投票）归类——这才是这套系统价值的"成色"。
前导位多一位、小数点错位、断位少计——人眼翻不出，等式一核对就露馅。占可判定标红约 42%（首批独立复核口径）。
小模型漏抄一行、合并/母公司口径错配、单位没认对。约 35%——归因分析确认这是当前假阳的主战场，随抽取改进递减。
财报自己四舍五入造成的几分钱差。约 23%，差额多 ≤1 元——现已按呈报精度给了容差，多数不再打扰人。
这是"读算分离"最硬的一块证据。某招股书里应付账款被 OCR 把千位逗号读成小数点，真值约 40.2 亿，差出 4020 万量级的错。
balanced=true——根本没真加，漏掉了真错。放大到全集：63 份真实不平衡（差额≥100 元）里，大模型漏报了 40 份（63%）；确定性引擎全部抓到。
LLM_VALUE_DRIFT）会被当场抓出。# 表内 · 资产负债表（3 条） BS_EQUATION 资产总计 = 负债合计 + 所有者权益合计 BS_SUBTOTAL_TIE 各分类合计 = 明细项求和 # 表内 · 利润表主链（7 条 · 2026-07 补齐，消灭大面积"未参与勾稽"） IS_OPERATING_PROFIT_TIE 营业利润 = 收入 − 成本费用 ± 其他 IS_PRETAX 净利润 = 利润总额 − 所得税 IS_COMPREHENSIVE_TIE 综合收益 = 净利润 + 其他综合收益 # 表内 · 现金流量表（5 条）/ 权益变动表（4 条） CF_END_BALANCE 期末现金 = 期初 + 本期净增加 SCE_COL_ROWSUM 每行各列求和 = 小计/合计 # 跨表（6 条）/ 附注（6 条）/ 文表一致（1 条） CROSS_CF_BS_CASH 现金流期末现金 ≤ 资产负债表货币资金 NOTE_TABLE_SUBTOTAL_TIE 附注表合计 = 明细求和 # 守卫（2 条）——盯 AI、盯坏格 LLM_VALUE_DRIFT 抽取值必须真出现在 OCR 源文本里 VALUE_UNPARSEABLE 读不成数的格先指名道姓，不牵连等式
下面三道都是真实数据。点任意一道，看那台"算盘"怎么把数字算成判决——同样的输入永远得同样的结果，没有 AI 的临场发挥 👇
所有金额先转成"分"的整数再比，永无浮点误差；核对结果 100% 可复现、可单元测试。
一个 OCR 坏格常常同时弄崩好几条等式——它所在的小计不平、总计不平、跨表也对不上。要是每条都单独报一遍，用户会被同一个错淹没三次。所以引擎在报错前做一步确定性聚类：把指向同一个源头格的发现折成一簇，队列里只出一条"根因"，派生项折叠在里面。点"报错"看它怎么折 👇
还剩最后一类硬骨头：有些表被 OCR 搞得太烂——跨好几页、中间一页还被抽空，连确定性代码都拼不起来、直接抽不出。这时启动看图兜底：按第一幕记下的页码和坐标，把这张烂表单独渲成图片，让小模型直接看图把数字读回来，再跨页拼成完整表，必须再次通过确定性勾稽才采信。这正是主线案例 000048 的高潮。
看图兜底只在确定性/抽取链路明确报缺、报错（fail-loud）时才对那一张表启动——只兜底，不进主线全量，避免无谓成本和风险。
page_idx + bbox 精确框到这张表在第几页的哪个区域# 14 列宽的权益变动表，代码抽 0 行。 # 看图：垂直投影找出 17 条网格竖线，精确切出每一列 # 逐列密集读回后，确定性引擎自验： 归属母公司小计 9,175,030,210.24 + 少数股东权益 95,744,524.42 ───────────────────────────────── = 所有者权益合计 9,270,774,734.66 ✓ 分毫不差 # 同一张表里"盈余公积"一列疑似读错（622… vs 图上 513…）， # 正好被"每行各列求和=小计"那条规则该抓 → 标红交人工。
这是第四幕的灵魂、也是第三铁律的延伸：看图读回的值天生可疑，绝不自动写回、绝不改原文。它必须把读回的数喂回同一套确定性勾稽引擎，逐格打三种标签：
双重闸门：整表必须过会计恒等式（如 BS 必过 BS_EQUATION）且装配必须完整（所有页都抽到、没被截断），任一不满足，这张表一个格都不采信。
# 合并资产负债表被 OCR 拆成 4 块跨 p69–72， # 其中 p70 续页被抽空（cols=0）→ 确定性代码拼不起来 → 报"缺合并BS"
2026-07 我们把看图兜底接进主线后，拿年报留出集里最难的 24 份（确定性修复都救不回的尾部）做端到端复测。结果如实记录：视觉管线真实有效——比如某年报的母公司现金流量表，看图读回了 18 行 24 个值、勾稽全对；但严格闸门最终一张整表都没采信（多因跨页装配不完整，闸门要求"整表拼齐 + 恒等式过"才放行）。
输入 年报留出集最难尾部 24 份（缺 BS/IS/CF） 管线 渲图 → 逐列读回 → 跨页装配 → 清洁闸 真实读回 有（例：母公司 CF 18 行 24 值，勾稽全对） 闸门采信 0 张整表（拒收主因：装配不完整 / 缺合计行） 结论 管线有效性确认；闸门按设计拒收残表 # 「0 finding ≠ 无错」的镜像是「读回了 ≠ 能采信」。 # 严格的闸门，是这套系统敢让人信任的原因。
机器把疑点找出来，最后一锤子必须留给人。第五幕是一个网页版对账核验工作台（就是本站的 /demo）：左边是财报 PDF 原文，右边是抽出来的活报表和疑点队列，点任何一处，三边同时高亮到那一格。人在这里逐条裁决："确实是 OCR 错，改"、"误报，放行"——而系统保证：不管人怎么改，OCR 原文一个字符都不动。
用户对一处标红提交修正值后，系统绝不覆盖 OCR 原值，而是记一笔可追溯的修正事务（谁、什么时候、把哪格从多少改成多少、为什么），然后把修正值喂回同一台确定性算盘重算——之前因这格不平的等式如果全部转绿，才算"闭环"。
工作台首屏用一张覆盖状态卡替代吓人的红色告警：主表抽到几张、多少数字参与了勾稽、几张表解析异常（只计真实解析失败，账本里的良性丢弃不算）——一句人话一项，异常才用警示色。
核验完点"导出核验成果"，拿到的是三份各有用途的产物：
① 修正后干净报表.xlsx 真数值格 · 负数为负值 · 单位注明 · 可直接 SUM ② 原值对照核验底稿.xlsx raw / 修订值 / 勾稽状态 三列并排 · 疑错格标色 ③ 审计轨.json {时间, 规则, 位置, 裁决, 原值, 修订值, 重算结论} # 文件名：{公司简称}-核验成果-{日期}.xlsx # 每份都带说明 sheet：这是什么、每列什么意思、数据口径。
一套抓别人错的系统，先得经得起抓自己的错。我们给它建了两套考卷：一套错误注入（在 4 份真实财报上按 OCR 的真实出错方式埋进 1044 处已知错误，看能逮回多少）、一套提取覆盖（200 份从未见过的年报/招股书，看能抽全多少）。2026-07 我们重修了评分卡——发现旧算法给自己放水：只要表上冒出任何新告警就记"检出"，哪怕根本没指对格。修严之后，同一份成绩单按三层口径重新亮出来：
年报 100 份 合并三大表 91.9%（确定性）/ 95.2%（+小模型） · 齐套 78.0% / 85.7% （年报是主攻盲区：小模型增益在这里最大，齐套 +7.7pp） 招股书 100 份 合并三大表 93.6%（确定性）/ 93.9%（+小模型） · 齐套 88.9% 训练集 300 份 合并三大表 99.0%（确定性与 +小模型持平） 值忠实性抽查 7,397 个锚点格逐一对回 OCR 原文 · 错 44 格（0.595%）· 招股训练集零错 # 分母 = 源文档里实际存在的报表——2026-07-03 依 1000 份独立 GT 逐份裁决校准， # 136 份非财务分册不计入分母：不凑好看分母，也不把"本来就没有"报成"漏抽"。
考卷之外还有三道随时会拦路的回归门——任何人（包括 AI 同事）改一行代码，三道门全绿才允许合入。这就是"确定性引擎"能一直保持确定的原因：
对内置演示样本重跑全管线，findings 与基线快照逐字节比对——多一条、少一条、变一个字都算失败。
格级检出率不得下降、干净对照假阳不得上升。想"顺手放松一条容差"？这道门当场变红。
三大表抽取率与齐套率不得倒退——修 A 表不许弄丢 B 表。
五幕走完，PDF 变成了一份结构化文档：每张表逐行逐期的数字、每一处标红、每一条勾稽结论、每一笔人工修正，都带着页码坐标和判定来源。下面是这套管线在 1000 份真实招股书 / 年报（300 份训练 + 700 份泛化）上的累计成绩单：
每一处标红都送独立第三方复核才下"真错"结论——累计确认了 4100+ 处真实 OCR 误读，每一处都能精确指回犯错的那一格，单处偏差最高达千亿量级。同样如实写上：标红里还混着抽取偏差与舍入（见第三幕红黄绿），假阳治理是当前的主战场——所以最后一锤子留给人，而不是留给分数。
{
"科目": "应付账款",
"值": "40,206.073.20", # 逐字保留 OCR 原文，未改
"出处": { page: 71, bbox: [..] }, # 指回原文那一格
"勾稽": "flagged", # BS_SUBTOTAL_TIE 没对上
"人工修正": "40,206,073.20", # 修正事务，与原值并存
"判定来源": "deterministic" # 永远是代码，不是 AI
}
LLM_VALUE_DRIFT）当场抓出。人工修正也只记事务、不碰原文。