事情是这样的。
前段时间 AFAC2026 金融智能创新大赛开了，其中赛题二叫「复杂金融文档还原挑战」。任务说起来也简单，给你一张金融文档的截图，你把它还原成结构化的 Markdown 文本就行。
听着不难对吧。
但你看看这个数据，训练集 200 张图，长文档那批图的长宽比超过 30。什么概念呢，就是一张图可能 800 像素宽，但 25000 像素高。单页像素超过 2 亿。这种图在行业里有个很形象的名字，叫「面条图」。
而且这些面条上密密麻麻全是保险条款、费率表、嵌套表格、多栏排版、跨页图表。你得把每一行文字、每一个表格单元格、每一级标题层级，都精准还原成 Markdown。
更刺激的是约束条件。唯一允许调用的外部大模型 API 是主办方提供的 FinixDoc-VL，一个视觉语言模型。本地模型总参数量必须小于 10M，不能依赖 GPU。整个流程跑完 100 张测试图，时间不能超过 3 小时。
不能用 GPT-4o，不能用 Claude，不能用 Qwen。就一个 FinixDoc-VL，加上你自己写的算法。
我当时就觉得，这题有意思。
核心矛盾在哪
坦率地讲，FinixDoc-VL 本身的识别能力不差，你给它一张正常尺
