DocFormFlow: 基于大语言模型的智能文档格式化工单系统

本文介绍DocFormFlow，一种将文档格式化任务解耦为"定位目标"与"执行修改"两阶段的工作流方法，配套发布DocFormBench评测基准，在多个大语言模型和多模态模型上验证了其提升准确率并降低Token消耗的效果。原论文来源为arXiv，发布时间2026年6月1日，链接http://arxiv.org/abs/2606.01936v1。

随着大语言模型（LLM）能力的飞速提升，自动化文档处理已成为充满潜力的应用领域。但真实场景需根据文档内容语义调整格式（如法律合同的违约条款加粗、学术论文参考文献编号样式调整），核心难点是"模型必须先理解哪里需要改，才能决定怎么改"。内容感知的格式化长期缺乏系统性评测基准，导致相关研究难以横向对比和持续推进。

为填补空白，研究团队推出DocFormBench——针对内容感知格式化场景设计的评测数据集。涵盖结构层级调整（标题字体大小/缩进）、语义高亮（关键词加粗/斜体）、列表格式化（平铺文本转有序/无序列表）、表格对齐（单元格对齐）等真实场景需求。除准确率外，引入效率指标（Token消耗），反映实际部署成本考量。

针对现有方法反复读取文档导致Token浪费问题，提出DocFormFlow，将格式化任务解耦为两阶段：

1. 目标定位（What to Format）：通读文档识别需格式化区域，输出结构化定位信息（位置、类型、预期效果），避免后续重复读原文；
2. 修改执行（How to Format）：基于定位信息高效执行格式调整。 优势：模块化（独立优化升级）、可解释性（中间输出便于调试）、效率提升（减少冗余读取）。

在GPT-4、Claude系列、多模态模型上评测，结果显示DocFormFlow相比基线有显著提升：

模型类型	准确率提升	Token消耗降低
GPT-4	+12%	-35%
Claude-3	+15%	-28%
多模态模型	+18%	-42%
精确目标定位是影响格式化性能的首要因素，准确识别目标边界可显著提高后续修改成功率。

DocFormFlow和DocFormBench为文档智能处理领域提供新工具和评测标准。潜在应用场景：

• 企业文档自动化：批量处理合同、报告、标书等；
• 学术出版辅助：自动调整论文格式以符合期刊要求；
• 法律文件处理：根据条款类型应用特定格式规范；
• 政务公文系统：确保格式规范性和一致性。 该工作为"内容感知"能力提供可量化评测框架，推动相关研究涌现。

核心启示：复杂文档处理中，显式任务分解优于端到端黑盒方案，分离"理解"与"执行"提升性能、可解释性和可控性。 未来研究方向：

1. 更细粒度定位（从段落级到句子/词级）；
2. 跨文档格式迁移（学习一种文档格式规则应用到另一种）；
3. 实时协作编辑（维护多用户编辑时的格式一致性）。 开发者可参考模块化架构范式，平衡端到端便利性与模块化长期收益。