WeVisDoc: From Coverage to Capability for Robust End-to-End Document Parsing
WeVisDoc：从覆盖到能力的鲁棒端到端文档解析
🧭 文档解析 · 数据为中心
WeChat Vision, Tencent Inc.
两阶段数据为中心框架用残差聚类诊断定向补强，在多个文档解析基准上领先
📌 工作参考价值（4 点）
- 残差聚类驱动难例挖掘：Stage II 对 Stage I 解析器的错误在固定视觉-结构簇内做聚类统计，再定向构造或重分配数据预算。推荐/搜索场景可借鉴该思路，将线上 bad case 按用户意图、query 类型、页面模板等维度聚簇，定位系统化薄弱点后定向补训练数据或调采样权重。
- 结构保持的退化合成：通过保持文档结构不变、只合成图像退化（模糊、噪声、透视变形等）来扩展训练分布。在电商场景中，可对商品图、用户上传的实拍图做类似退化增强，提升模型对低质输入（如暗光、遮挡、压缩噪声）的鲁棒性，尤其适合作图质量不稳定的 UGC 内容。
- target-token 预算重分配：根据诊断结果把有限训练 token 从已饱和区域转移到薄弱区域. 对应到推荐系统训练，可根据验证集分片表现动态调整各数据源的采样比例或训练步数，避免在简单样本上浪费算力。
- 两阶段数据迭代范式：Stage I 广覆盖，Stage II 精准补强，形成可复用的数据飞轮。工程上可落地为：先全量构造基线数据, 再通过定期离线评估识别性能洼地，并用自动化诊断报告指导下一轮数据标注与增强，比盲目扩大数据量更高效。