612 次图表重建实验告诉我们的：OCR、图形与连接线

把图表图片转换成可编辑对象，听起来只需调用一次视觉模型：让它输出方框、文字和箭头，再生成文件。这个原型在干净流程图上可行，一旦遇到真实架构图中的小字、重复图标、嵌套容器、并行线路和拥挤走线，就会暴露问题。

为了找到 LayerBack 图片转可编辑图表流程中的质量损失点，我们做了一组受控实验：336 次结构识别，加 276 次拓扑识别，总计 612 次模型运行，覆盖 12 张图。其中 10 张生成图有精确标准答案，另有 2 张真实图。

目标并不是宣布一个通用“最佳模型”，而是回答几个具体工程问题：

• OCR 清单能否减少节点遗漏？

• 提高推理强度会不会改善结构抽取？

• 哪种模型更适合观察连接拓扑？

• 是否需要第二个模型裁决候选线路？

• 对于没有线路的图，能否安全跳过拓扑阶段？

被拆开的处理流程

基线流程分为：

1. OCR 提取文字与坐标；

2. 多模态模型识别节点、类型、位置和样式；

3. 确定性代码把 OCR 文字合并到结构中；

4. 拓扑观察器根据已知节点目录追踪连接线；

5. 可选的裁决模型接受或拒绝候选边；

6. 分割模型提取图标与自定义插画；

7. 确定性序列化生成 draw.io、VSDX、PPTX、SVG 和预览。

拆开后，文字遗漏与虚构连接线成为两个可独立衡量的问题，不需要不断加长同一个提示词来同时修补。

结论一：OCR 不是兜底，而是 grounding

最强的识别配置把明确的 OCR 清单交给视觉模型。terra-low-ocr 在 33 次测量中，节点召回率平均值和最小值都是 1.00 / 1.00。快速配置 luna-low 平均为 0.93，但在困难案例中最低只有 0.32。

重点不在模型名称，而是可见文字能成为检查清单。模型即使理解了整张图，也可能省略一个小型数据库标签，或者一排重复卡片中的某一项。提供 OCR 文本与坐标后，每段可读文字都必须被解释为节点、边标签、标题或注释。

OCR 不应该决定拓扑；它的作用是约束覆盖率。

结论二：更多推理有时反而更差

我们原以为密集图上的 medium 推理会优于 low，结果不是。带 OCR grounding 的 low 配置，是测试识别矩阵中唯一零遗漏的方案。提高推理强度有时给了模型更多“重组和总结”的自由，而不是忠实抄录图像结构。

这是结构化视觉任务的重要特征：需要的不是最优雅的解释，而是与像素一致、最不意外的对象清单。提示词应该奖励覆盖率、稳定 ID 和坐标忠实度，而不是抽象能力。

结论三：拓扑质量打平，成本相差 20 倍

五种拓扑观察配置的质量几乎打平。具有代表性的精确率／召回率约为 0.95～0.97 / 0.97～0.98。

但实验时单次成本差异明显：

• Gemini 3.6 Flash：约 $0.0147；

• Gemini 3.1 Flash-Lite：约 $0.0028；

• Luna observer：约 $0.0007。

如果质量差异落在噪声范围，架构就应选择便宜观察器，并保留另一家供应商作为故障回退。模型名气不是性能指标。

结论四：拓扑裁决模型几乎没有增加价值

我们让第二个模型裁决观察器产生的每条候选线路。所有观察器在裁决前后的精确率变化都不超过约 0.02，有时还会下降，因为观察器自身的幻觉率已经很低。

从提议架构中删除裁决器，可以省掉一次模型调用和大约 8～10 秒，实验中没有测到质量损失。

不要因为“再验证一次听起来更安全”就加入 LLM 验证器。必须测量它是否真的改变错误分布；只会同意第一个模型的验证器，本质上只是延迟。

结论五：廉价 CV 预检可以安全跳过昂贵阶段

线路检测预检在 12 张图中判断正确 11 张，更重要的是危险方向零错误：凡是预测“没有连接线”的图，确实都没有连接线。

误判“有线”只会失去一次提速机会；误判“无线”却会跳过必要拓扑处理并破坏结果。安全的提前退出应按两个错误方向的代价设计，而不能只看总准确率。

结论六：某些拓扑错误来自源像素

两张生成测试图的标准答案描述的是扇出结构，但肘形线路实际穿过了相邻节点，像素上看起来是链式连接。所有观察器都一致读成链式。模型没有错，测试图错了。

把线路改到清晰走廊后，模型结果与目标拓扑一致。这揭示了产品事实：图的逻辑意图和实际绘制可能矛盾。连接线穿过节点边框，或者多线共用狭窄通道时，人也可能判断错端点。

重建系统应该把这种源图歧义暴露给人工复核，而不是藏在一个置信度分数后面。

实验建议的新架构

• OCR 与快速识别器并行执行；

• 仅在密集或低质量案例启用带 OCR 的高召回 hedge；

• 拓扑前先执行廉价 CV 预检；

• 使用一个低成本拓扑观察器，并准备跨供应商回退；

• 删除独立拓扑裁决器；

• 让分割和拓扑阶段重叠执行；

• 文件生成由确定性代码完成，并验证包结构。

实验报告中的预计变化是：典型路径从约 47 秒降至约 30 秒，单次模型成本从约 $0.03 降至 $0.015。这是实验得出的架构估算，不是对所有生产图片的保证。

局限与下一步

12 张图仍是小数据集，并且为了获得精确标准答案，生成图占比偏高。它足够支持本产品的流水线决策，但不能当作通用视觉模型排行榜。

下一步需要增加真实、多语言、低质量截图；按文字密度、交叉线和图标数量分层评分；在 Visio、PowerPoint、LibreOffice 与 draw.io 中做文件级测试；把人工修正时间也作为指标；并将模糊失败样本持续补入基准集。

更大的结论

可编辑图表重建不是“OCR 加 SVG 描摹”，而是同时处理三类事实的结构化感知问题：

• 语义事实：图里有哪些对象；

• 几何事实：对象在哪里；

• 拓扑事实：对象怎样连接。

测试中最好的方向并不是让一个昂贵模型解决全部问题，而是用 OCR 约束覆盖率、把拓扑专门处理、删除无价值裁决器，再用确定性代码生成文件。

这套架构服务于一个实际产品问题：把图表截图变成可编辑的 VSDX、PPTX、draw.io 和 SVG。漂亮预览并不难；难的是下一次编辑时，文字、图形和连接线仍然保持结构。

作者提示含AI生成内容。作者声明本文存在利益相关性，请大家尊重作者及分享的内容，友善沟通，理性决策~