前沿 VLM 仍搞不定表单解析，LlamaIndex 给出专用方案

llama_index · x · 2026-09-29

LlamaIndex 指出，即使是最新的前沿视觉语言模型（VLM）在解析表单时仍然表现不佳——因为表单不是页面上的普通文本，而是分组的字段层级结构，每个值都对应特定的小方框。

团队博客实测了 VLM 在真实 W-2、1040、W-9 和扫描版 W-4 税表上的失败之处，认为表单需要专用解析而非更大的通用模型，要点包括：检测所有字段（含不明显的）、保留分节与字段的层级、把每个值精确关联到来源方框、识别手写与勾选标记。配套的开源 cookbook 展示了用 LlamaParse 以远低于通用模型的成本完成这些任务。