多模态模型给的坐标不能直接用：一次回锚的实现记录

上一篇提到，大纲解析链路里多模态模型这一级的坐标不准。这篇写怎么修的。这段代码是整个项目里改动最多的一个文件，最后一千八百多行，值得单独记。

现象

给模型一张页面图，让它返回标题文字和位置。文字基本对，位置不对——Y 坐标普遍偏 30 到 50 个点（PDF 坐标单位，一页高约 840）。偏差方向不固定，同一页里有的偏上有的偏下。

切片是按标题坐标截的，偏 40 个点意味着切片要么把上一节的尾巴切进来，要么把本节的第一行切掉。

模型认字准、定位不准，那就只用它的字，位置自己找。PDF 本身有文本层（扫描件走 OCR 后也有），拿模型给的标题文字在页面文本里搜，搜到的位置才是真位置。

听起来简单，做起来全是细节。

匹配前先归一化。 模型输出的文字和 PDF 文本层的文字经常不一致：全角半角（３.１ 和 3.1）、空格（3 .1）、繁简、标点。先做 NFKC 归一化再比。

不要求全文匹配。 标题可能很长，模型可能只返回前半截或者少一个字。用”锚点匹配”：取标题里最有区分度的一段（通常是编号加前几个字）去搜，搜到之后再验证附近文字是否大体一致。

距离阈值。 搜到的候选位置如果离模型给的位置超过 60 个点，宁可判定为”没找到”，也不接受。因为同一页上可能有重复文字（目录页、页眉），搜到的可能是别处。

跨页单调性。 标题在文档里的顺序是确定的：第 5 个标题的位置一定在第 4 个之后。回锚完所有标题后做一次全局检查，位置顺序和大纲顺序不一致的，说明锚错了，回退到模型原始坐标并打标记。

贪心还是全局。 一开始用贪心：逐个标题搜，搜到就定。后来发现前面锚错一个，后面全跟着错。改成先收集所有候选，再按单调性约束做一次全局选择，错误率明显下降。

回锚之后，切片边界的错误从”经常”变成”偶尔”。剩下的错误集中在扫描件 OCR 文本层本身就错的情况——文本层里的字和图上的字对不上，搜不到，只能回退。

这个文件一开始两百行，最后一千八百行，不是代码写得差，是每一个”偶尔”都对应一类真实文档。文档解析这种事，80% 的效果用 20% 的代码，剩下 20% 的效果要 80% 的代码，而客户验收看的是后面那 20%。

接受这一点之后，心态平和了很多。