文档多模态模型读错小字时，先看它实际收到的图，而不只是原始PDF有多清楚。整页在上传、渲染或预处理中缩小后，一些笔画和标记可能已经不可区分；再详细的提示词，也不能保证从同一份模糊输入唯一还原原文。

Nemotron 3.5 Super VL的新技术介绍把文档、图表与OCR列为应用方向。下面借这次发布，拆解输入分辨率、局部裁切与证据定位之间的取舍，并用一个八项检查的数学反例解释信息丢失。本文没有测量该模型的OCR表现。Read in English。

这次发布与文档任务有什么关系

Google News收录的NVIDIA技术原文发表于2026年10月15日，介绍Nemotron 3.5 Super VL将文字与视觉理解、推理及工具使用结合，并讨论图表、表格、OCR与多页文档。这里的事件日期是15日，不是本文日期18日。

官方模型卡列出的输入包括文字、图像与视频，并说明文档可以作为页面图像配合文字提供。它支持一种能力，不等于任意扫描件在任意缩放下都能正确识别；本文不把厂商分数或吞吐宣传换算成你的文档准确率。

以下缩图、裁切与验收方法是工程分析。尤其是四格平均算子，只用于证明多对一映射会丢失区分信息，不表示Nemotron内部采用这个预处理算法。

两个不同图案，缩小后却相同

设一个2×2灰度块，像素值为0或1。A沿主对角线为1，B沿副对角线为1。两者原始排列不同，但若用四格平均缩成一个数，都得到0.5。只看缩小后的结果，无法唯一判断原来是哪一种。

这个反例没有证明所有缩放都会毁掉文字，也没有给出最小字号门槛。它说明的是：一旦某个处理把多个不同原始输入映射成相同结果，后续仅依赖该结果的模型就无法对所有情况都确定恢复原始区别。

这也没有证明任意两张真实文档经某个实际缩放器后都会完全相同；是否丢失关键区别，需要检查具体处理后的页面。对于技术文档，区别可能对应小数点、负号、上下标或一条细连接线。模型可以借上下文猜测，但猜测与从输入中读到证据是不同来源。对这些字段，应允许返回不确定，并保留可回看的原始区域。

八项检查复现信息碰撞

代码只处理已知2×2合成块，用精确分数计算平均值。五个不同输入产生四个不同输出，碰撞发生在A与B之间。没有调用图像库、OCR、视觉模型或任何真实文档。

# A many-to-one teaching transform, not image/model benchmarking.
from fractions import Fraction as F

def average_2x2(grid):
    return sum((F(x) for row in grid for x in row), F(0))/4

a = ((1,0),(0,1))
b = ((0,1),(1,0))
cases = [
    (a,F(1,2)), (b,F(1,2)),
    (((0,0),(0,0)),F(0)),
    (((1,1),(1,1)),F(1)),
    (((1,0),(0,0)),F(1,4)),
]
for grid,expected in cases:
    assert average_2x2(grid) == expected
assert a != b
assert len({grid for grid,_ in cases}) == 5
assert len({average_2x2(grid) for grid,_ in cases}) == 4
print("8 downsampling checks passed")

八项检查本地通过：五个预期均值、A与B不同、输入数量和输出数量。这里检查的是一个具体算子的不可逆性，不是Nemotron的失败案例，也不能用这几个块推算字符错误率。

先查看最终输入，而不是只记原文件大小

原始PDF可能包含文字层、矢量图或扫描页；真正送入模型的内容可能是页面渲染、缩放后的图，或图加提取文本。应记录实际链路，而不是用“PDF解析”四个字概括所有处理。

最有帮助的调试材料是最终页面图、像素尺寸、渲染与处理配置、页码、裁切坐标和版本。若SDK或服务端还会进一步处理，能观察到哪一层也要注明，不能把本地预览当作视觉编码器最终输入的证明。

裁切坐标要说明属于原始页面、渲染页面还是缩放后的图。若页面经过旋转、缩放或补边，应保留对应变换；否则一个看似精确的框，也可能指向错误的行。把页码、坐标系和处理版本一起保存，才能让复核者回到同一处证据。

文件字节数也不等于可读细节。压缩、格式、分辨率和字符对比度影响不同；一个文件变小，可能只是编码更高效，也可能是图像信息被删减。先检查具体变化，再决定是否需要更大的输入。

整页定位与局部阅读可以分工

整页保留布局、标题和表格关系，局部图有机会保留细笔画。一个可检验的方案是先定位相关区域，再提供带上下文的局部内容，最后把答案关联回页码和区域。它是工作流选择，不是默认优于整页的保证。

裁切过紧会丢掉列标题、单位、图例或跨行关系。例如只保留数字，却去掉它所属列的单位，可能得到字符完全正确、含义却错误的结果。局部区域应包含完成当前判断所需的上下文，而非机械留下最小包围框。

若裁切来源已经是模糊缩略图，放大裁切只会把已有信息放大，不会凭空恢复先前消失的细节。需要细节时，应尽量回到原始高质量页面重新生成区域，并检查新区域确实改善了可见证据。

输入预算应按实际配置测量

更高分辨率、更多区域与更多页面，可能增加编码、预填充或上下文开销；具体如何变化取决于模型与服务的图像处理、分块和token规则。不要把像素数量直接当成某个模型的固定token公式。

记录处理后的实际形状、区域数量、输入计量和端到端延迟。比较整页与局部策略时，保持问题、证据和输出要求一致，并把定位阶段的耗时也算进去；只测最后一次调用会漏掉工作流前半段。

一次成功读取不能建立通用预算。表格密度、字号、扫描噪声与旋转都可能改变难度。测试集应包含清晰页与困难页，并逐类记录错误，而不是只给一个无法解释差异的总平均。

JSON正确，不代表字段证据正确

对结构化输出至少分开看三层：格式能否解析、字段值是否正确、字段是否关联到相应证据。一个合法JSON可以包含错误数字；正确数字也可能来自错误页面或模型补全。

可以用公开或合成的技术资料建立核验集，给关键字段保留页码与区域标签。遇到细节不可读时，允许模型输出缺失或不确定，再进入人工或更高质量输入路径；不要把所有空值自动填成看起来合理的数字。

这与可验收的AI需求相连：成功条件要落到能检查的字段与证据上。提示词要求“准确”并没有替代真实的验收依据。

把输入问题与模型问题分开排查

先固定一页和一个明确问题，保存整页、缩放页与带上下文局部图，逐一比较结果。观察错误是否随输入处理而变化，再决定调查预处理、提示词、模型配置或任务能力。不要一次同时改模型与分辨率，最后无法知道哪一步起作用。

如果最终图中关键信息仍清晰，却持续被误读，输入质量就不是唯一解释。反过来，若关键信息已经不再可区分，也不应只换更长提示词。好的排查顺序保留这些不同结论，而不是把所有失败都归给同一环节。

若这个信息碰撞反例和图文核验方法帮你定位了文档识别错误，欢迎通过文末支持区自愿支持。

来源与验证范围

于2026年10月18日核对Google News对应的10月15日NVIDIA原文与官方模型卡。两幅图、四格平均模型及八项检查为原创教学内容。未运行Nemotron、真实OCR、图像预处理器或性能测评，不承诺特定分辨率、token成本与识别率。