跳转至

一张表格价值64个Token：多表格文档问答的像素级压缩

文章背景与核心概要

在真实世界的文档中回答问题，通常需要处理包含文本和多个表格的冗长输入。尽管光学上下文压缩（将上下文表示为图像）降低了Token成本，但它对表格理解的具体影响此前仍不明确。本文针对五种视觉语言模型（VLM）、两个基准测试以及五个视觉Token预算，深入研究了用于文档问答的像素级表格压缩。

作者证明，虽然缩小表格会降低其可读性——迫使模型生成更长、效率更低的推理轨迹，从而抵消了预期的Token节省——但高度缩小的表格仍然保留了足够的信号来识别相关性。为了利用这一特性，作者引入了一种无需训练的两步法：首先，模型从高度像素压缩的上下文中识别出必要的表格；然后，它对这些特定的表格在原生分辨率下进行详细的推理。在长文档上，这种方法相比于使用原生分辨率表格的单步问答，实现了总Token减少41%且准确率提升7个百分点；此外，它比最高效的单步压缩配置少消耗15%的Token，同时没有产生任何准确率损失。

作者： Iñigo Alonso, Mirella Lapata
主要学科： 人工智能 (cs.AI)
提交时间： 2026年8月27日
arXiv ID： 2608.26949
DOI： 10.48550/arXiv.2608.26949

📌 摘要

Answering questions across real-world documents often requires processing lengthy inputs containing both text and multiple tables. While optical context compression (representing context as images) reduces token costs, its specific impact on table understanding has remained unclear.

在真实世界的文档中回答问题，通常需要处理包含文本和多个表格的冗长输入。尽管光学上下文压缩（将上下文表示为图像）降低了Token成本，但它对表格理解的具体影响此前仍不明确。

This paper investigates pixel-level table compression for document question answering across five Vision-Language Models (VLMs), two benchmarks, and five visual-token budgets. The authors demonstrate that while downscaling tables makes them less readable—forcing models to generate longer, less effective reasoning traces that negate expected token savings—highly downscaled tables still retain enough signal to identify relevance.

本文针对五种视觉语言模型（VLM）、两个基准测试以及五个视觉Token预算，深入研究了用于文档问答的像素级表格压缩。作者证明，虽然缩小表格会降低其可读性——迫使模型生成更长、效率更低的推理轨迹，从而抵消了预期的Token节省——但高度缩小的表格仍然保留了足够的信号来识别相关性。

To exploit this, the authors introduce a training-free, two-step method: 1. The model first identifies necessary tables from a heavily pixel-compressed context. 2. It then performs detailed reasoning over those specific tables at native resolution.

为了利用这一特性，作者引入了一种无需训练的两步法： 1. 模型首先从高度像素压缩的上下文中识别出必要的表格。 2. 然后，它对这些特定的表格在原生分辨率下进行详细的推理。

On long documents, this approach achieves a 41% reduction in total tokens and a 7-point accuracy gain over single-step QA using native-resolution tables. Furthermore, it requires 15% fewer tokens than the most efficient single-step compressed configuration without any loss in accuracy.

在长文档上，这种方法相比于使用原生分辨率表格的单步问答，实现了总Token减少41%且准确率提升7个百分点。此外，它比最高效的单步压缩配置少消耗15%的Token，同时没有产生任何准确率损失。

🔗 快速链接