结构感知训练

面向真实世界文档解析：逼真场景合成与文档感知训练

Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Training

对做文档/图表类视觉理解的人，这篇提供了可复用的思路：用布局模板+文档元素合成大规模全页端到端监督数据，配合渐进式学习与结构 token 优化来抑制 MLLM 的重复与幻觉输出；Wild-OmniDocBench 也可直接用于评测随手拍文档的鲁棒性。