字段级置信度：审查不确定的字段，不是整份文档

一张发票有五个提取字段。发票号：0.99 置信度。日期：0.97。总金额：0.95。保修期：0.62。特殊条款：0.45。文档级路由因为两个字段不确定就把整张发票发给人工审查。审查者重新验证所有五个字段，花时间确认本来就正确的发票号和日期。

字段级置信度路由只把保修期和特殊条款发给审查。高置信度字段自动接受。审查者只关注真正需要判断的两个字段。

效果很显著：一个团队把审查者工作量减少了 69%（从每天 8 小时到 2.5 小时），同时错误捕获率几乎不变（93% vs 文档级路由的 95%）。2% 的捕获率差异对释放每天 5.5 小时审查者产能来说是微不足道的代价。

输出结构：每字段 {value, confidence}

提取 schema 应该给每个字段配对其置信度分数：

{
  "invoice_number": { "value": "INV-2026-4412", "confidence": 0.99 },
  "total_amount": { "value": "$1,247.50", "confidence": 0.95 },
  "warranty_period": { "value": "24 months", "confidence": 0.62 },
  "special_terms": { "value": "Net 60 with early payment discount", "confidence": 0.45 }
}

这个结构让下游系统无需额外处理就能应用按字段的阈值。每个消费系统可以根据数值分数决定自己的路由规则。

不是二值标志。 有人提议简化为每字段 confident / needs_review，这丢失了关键灵活性。路由决策最终是二值的（审查或自动接受），但阈值应该在下游可配置，而不是在提取输出中写死。有了数值分数，系统可以对财务金额设 0.9 但对内部备注设 0.7。二值标志在提取时锁定了一个阈值——改它要重新提取。

不是文档级分数。 单一的总体置信度（跨字段平均或取最低）掩盖了字段级差异。一份有三个字段 0.97 和一个 0.45 的文档可能平均 0.84 通过 0.8 的阈值——隐藏了真正不确定的字段。或者可能没通过阈值把所有四个字段都发给审查，浪费了三个可靠字段的时间。

校准：模型的置信度不会自动准确

0.88 的置信度分数应该意味着模型在该置信度水平上 88% 的时间是正确的。这不保证。

一个团队设了全局阈值 0.8：0.8 及以上自动接受。审计发现 warranty_period 字段平均 0.88 置信度但有 25% 的错误率。其他字段在类似置信度下：3% 错误率。模型专门对保修提取过度自信。

根因：置信度校准因字段类型而异。同样的数值分数对不同字段意味着不同的准确率水平。全局阈值平等对待它们，意味着对某些字段过度信任、对其他字段信任不足。

部署前校准

使用置信度分数做路由之前：

1. 创建标注验证集 包含人工验证的正确值
2. 在每个置信度水平按字段类型测量实际准确率
3. 比较 报告的置信度与观察到的准确率
4. 按字段类型设阈值 基于校准数据

没有通用的”0.8 就够好”标准。每个模型、字段类型和文档类型需要自己的验证。模型可能对发票号校准良好（0.9 置信度 → 91% 准确率）但对保修条款校准差（0.9 置信度 → 72% 准确率）。

也要按文档类型校准

同一字段名在不同文档类型上可能有不同的可靠性画像。从打印发票（结构化表格）提取的 total_amount 可能 99% 准确，而从手写收据（格式多变）提取的同一字段可能 82%。total_amount 跨所有文档类型用单一阈值对收据太宽松或对发票太严格。

全面的方法：按字段按文档类型的阈值，从标注数据校准，每季度重新校准以适应文档模式的演变。

结合业务影响路由

不是所有不确定的字段同等重要。一个账单提取可能对退款金额（0.62）和格式备注（0.58）都报告低置信度。退款金额直接影响财务交易。格式备注是信息性的。

字段级路由可以在置信度旁边纳入业务影响：

• 高影响 + 低置信度 → 优先人工审查（退款金额、合同条款）
• 低影响 + 低置信度 → 标准审查队列（内部代码、格式备注）
• 高影响 + 高置信度 → 自动接受加审计抽样
• 低影响 + 高置信度 → 自动接受

这把稀缺的审查者时间分配到错误后果最大的字段上，而不只是模型最不确定的字段。

字段级路由替代什么

字段级路由处在效率前沿：接近文档级的错误检测率，只用一小部分工作量。文档级和字段级之间 2% 的捕获率差异代表的是不确定但碰巧正确的字段——模型不确定但猜对了。69% 的工作量减少远远补偿了。

一句话总结： 给每个提取字段输出置信度分数，按字段类型校准阈值，只把不确定的字段路由到人工审查——确定的不需要人工过目。