ParseFixer: An Agentic Framework for Document Parsing via Selective Multimodal Correction

📄 arXiv: 2606.11977v1 📥 PDF

作者: LeKai Yu, Hao Liu, Kun Wang, Zhiran Li, Ruping Cao, Fan Liu, Yupeng Hu

分类: cs.CV

发布日期: 2026-06-10

🔗 代码/项目: GITHUB

💡 一句话要点

提出ParseFixer以解决文档解析中的结构与内容恢复问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 文档解析 多模态修正 结构恢复 内容恢复 机器学习

📋 核心要点

  1. 核心问题：现有文档解析方法在内容恢复和结构重建之间存在矛盾，难以同时满足准确性和一致性要求。
  2. 方法要点：ParseFixer通过全页主干解析和代理选择性修正相结合，提供了一种高效的文档解析解决方案。
  3. 实验或效果：在测试集上，ParseFixer的整体得分为61.78，排名第三，显示出其在文档解析中的有效性。

📝 摘要（中文）

在本报告中，我们展示了在DataMFM挑战赛Track 1中获得第三名的解决方案。该赛道要求模型从文档页面图像中恢复结构化的Markdown文档，同时保留文本内容和文档结构。为了解决准确内容恢复与忠实结构重建的互补需求，我们提出了ParseFixer，一个用于主干解析和选择性修正的代理框架。ParseFixer由两个关键模块组成：全页主干解析（FBP）和代理选择性修正（ASC）。FBP使用MinerU2.5 Pro生成稳定的初始Markdown输出，而ASC则通过验证和回滚修正过程检测高价值的解析失败并进行修复。通过在开源主干解析后进行选择性多模态修正，ParseFixer提高了关键文档元素的恢复率，而无需重写可靠的主干预测。在测试集上，我们的最终系统取得了61.78的整体得分，并在Track 1中排名第三，展示了其在准确文档解析方面的有效性。

🔬 方法详解

问题定义：本论文旨在解决从文档页面图像中恢复结构化Markdown文档的挑战，现有方法往往无法同时实现内容的准确恢复和结构的忠实重建，导致解析结果不理想。

核心思路：ParseFixer的核心思路是将全页主干解析与选择性修正相结合，通过初步解析生成稳定的输出，再针对高价值的解析错误进行修正，以提高整体解析质量。

技术框架：ParseFixer的整体架构包括两个主要模块：全页主干解析（FBP）和代理选择性修正（ASC）。FBP负责生成初步的Markdown输出，而ASC则负责检测和修复解析中的高价值错误。

关键创新：ParseFixer的关键创新在于其选择性多模态修正机制，能够在不重写可靠主干预测的情况下，专注于修复重要的解析错误，这与传统方法的全面重写策略形成鲜明对比。

关键设计：在技术细节上，FBP使用了MinerU2.5 Pro作为主干解析工具，而ASC则采用验证和回滚的修正过程，确保修复的准确性和有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，ParseFixer在测试集上取得了61.78的整体得分，排名第三，显示出相较于其他基线方法的显著提升，证明了其在文档解析任务中的有效性和可靠性。

🎯 应用场景

该研究的潜在应用领域包括文档自动化处理、信息提取和数字化文档管理等。ParseFixer能够有效提高文档解析的准确性和效率，具有广泛的实际价值，未来可能在智能办公、法律文档处理等领域产生深远影响。

📄 摘要（原文）

In this report, we present our third-place solution for the DataMFM Challenge Track 1: Document Parsing. This track requires models to recover structured Markdown documents from document page images while preserving textual content and document structure. To address the complementary requirements of accurate content recovery and faithful structure reconstruction, we propose ParseFixer, an agentic framework for backbone parsing and selective correction. ParseFixer consists of two key modules: Full-Page Backbone Parsing (FBP) and Agentic Selective Correction (ASC). FBP produces stable initial Markdown outputs with MinerU2.5 Pro, while ASC detects high-value parsing failures and repairs them through a verify-and-rollback correction process. By placing selective multimodal correction after open-source backbone parsing, ParseFixer improves the recovery of key document elements without rewriting reliable backbone predictions. On the test set, our final system achieves an overall score of 61.78 and ranks third in Track 1, demonstrating its effectiveness for accurate document parsing. Our code will be released at: https://github.com/iLearn-Lab/CVPRW26-ParseFixer.