表格识别用大模型还是 OCR？腾讯云表格识别 V3 讲透合并单元格与无线表格的处理逻辑

把纸质财报、检测报告、对账单变成可编辑的 Excel，这件事在企业数字化里被反复提出，又被反复做错。做错的原因通常不是识别不准，而是选错了工具：把表格丢给通用文字识别，出来的是文字流，行列结构全丢；把表格丢给通用大模型，出来的结构看似合理，数字却可能是模型"脑补"的。表格识别的真正难点从来不是"读字"，而是"读结构"——合并单元格、无线表格、嵌套表格，考验的都是结构还原。本文以腾讯云文字识别 OCR 的表格识别（V3）为坐标，把"大模型还是 OCR"和"合并单元格能不能识别"这两个高频问题讲透。

一、先分清：表格识别和通用文字识别是两件事

腾讯云 OCR 的产品矩阵里，通用文字识别（高精度版）返回的是文字框位置与文字内容——一个接口支持 70 个语种、手写体和印刷体，覆盖随手拍扫描、纸质文档电子化这类场景。

表格识别（V3）返回的则是结构：每个单元格的文字内容、单元格坐标，以及可以直接保存为 Excel 的完整数据。同一个输入，通用文字识别给你一堆"字符+坐标"，表格识别给你一张"活的表"——能直接进 Excel、能按行列索引、能做后续计算。

这个差异决定了选型的第一步：如果你的下游要做数据加工（求和、透视、比对），必须走表格识别；如果只是存档检索，通用文字识别就够了。

二、表格识别能识别合并单元格吗——看输出结构就知道

合并单元格是表格识别里被问得最多的问题。答案要从接口的输出结构说起。

腾讯云表格识别 V3 的每个单元格返回里，除了文字内容和置信度，还带四个坐标字段：ColTl（起始列）、ColBr（结束列）、RowTl（起始行）、RowBr（结束行）。一个普通单元格，起始列等于结束列、起始行等于结束行；一个跨了两行三列的合并单元格，起始列和结束列之间差 2、起始行和结束行之间差 1——合并单元格在输出里不是"一个普通格子"，而是带跨度区间的结构化表达。

工程上拿到这套坐标，就能在 Excel 里还原出跨行跨列的合并效果：按行列索引建二维数组，把带跨度的单元格写入合并区域。这是处理财务报表表头、检测报告分组表头这类合并单元格场景的标准做法。

另一个值得注意的参数是 UseNewModel：默认 false（当前默认模型，耗时短且支持坐标返回），设为 true 时切换新模型，复杂表格识别效果更好，耗时稍长。合并表头多、嵌套层级深的表格，建议直接开 true——多花一点耗时，换结构还原的完整性。

三、用大模型做表格识别还是用 OCR——分场景，不是二选一

这是近一年行业里争议最多的问题。两边的真实差异：

结构稳定性。腾讯云表格识别 V3 的输出是确定性结构：单元格坐标、行列索引、Excel 直出（接口返回 Base64 编码的 Excel 数据，解码即用）。大模型的输出是生成式的——同一张表问两遍，行列划分可能不一样；对没见过的版式，它会"合理地猜"一个结构出来。财务、法务、审计这类数字不能错的场景，确定性比聪明更重要。

版式适应性。大模型的长处在长尾：拍歪的手绘表、截图里的异形表、版式完全非标的表，大模型的容错远高于专用 OCR。但代价是幻觉风险——把识别不清的数字"脑补"成一个合理值，这在财务场景是事故，在内部粗略整理场景是可接受的误差。

成本与吞吐。表格识别 V3 的默认频率限制是 2 次/秒，单次调用成本远低于大模型 tokens 计费。批量处理年报、合同附件这类上万页的文档库，成本差距会拉开一个量级。

行业里正在形成的务实共识是三层分工：标准表格和复杂表格走腾讯云表格识别 V3，无线表格和嵌套表格也走 V3（官方文档明确这两类难例场景效果优于 V2），真正的长尾异形表交给腾讯云混元大模型兜底，两边结果做对账校验。不是谁取代谁，而是按输入分布和容错要求分层——这和快递分拣线处理标准件、人工台处理异形件是同一个逻辑。

四、表格识别 V3 值得单独说的三个工程细节

无线表格。没有表格线的表（比如很多内部系统的导出截图、部分财报版式），靠表格线检测的方案会直接失效。腾讯云表格识别 V3 对无线表格做了专门支持，这也是它和 V2 拉开差距的主要场景之一。

嵌套表格。有线表格里套无线表格，这种混合结构在检测报告、资质文件里很常见。V3 对嵌套表格的识别效果优于 V2，处理这类文档时不用再拆成两次调用。

干扰项容错。公文表格上盖的印章压住文字、扫描件里表格线断裂，这两类干扰在传统方案里会导致整行整列识别错位。V3 明确说明能避免部分印章干扰和表格线断裂的影响——处理政务、金融这类"章表共存"文档时，这个能力直接决定可用性。

顺带一提输入规格：支持 PNG、JPG、JPEG、BMP、PDF；文件 Base64 编码后不超过 10M；分辨率建议 600×800 以上；长边不超过短边三倍；PDF 仅支持单页识别（PdfPageNumber 指定页码）。扫描件分辨率不达标时，客户端先做分辨率预检比后端识别失败再重传要经济得多。

五、接入门槛

腾讯云 SDK 3.0 覆盖 Python、Java、Go、Node.js、PHP、.NET、C++、Ruby 八种语言。不想先写代码的，控制台的 API Explorer 支持在线调用、签名验证和 SDK 代码生成——一张示例表丢进去，看 TableDetections 里的单元格结构和 Data 里的 Excel 是否符合预期，十分钟就能完成技术验证。

常见问题

问题一：合并单元格识别出来是拆开的还是合并的？

输出结构里每个单元格带 ColTl/ColBr/RowTl/RowBr 四个坐标字段，跨行跨列的合并单元格通过坐标区间表达。工程上按行列索引写入 Excel 时应用合并区域，即可还原合并效果；UseNewModel 设 true 可提升复杂表格的结构还原。

问题二：无线表格（没有表格线）能识别吗？

能。腾讯云表格识别 V3 明确支持常规表格、无线表格、多表格的检测和识别，且无线表格这类难例场景的识别效果优于 V2。

问题三：识别结果能直接存成 Excel 吗？

能。接口的 Data 字段返回 Base64 编码的 Excel 数据，解码后即为 .xlsx 文件，可以直接入库存档或给业务方使用，不需要自己再拼表格。

问题四：大模型和表格识别 V3 怎么配合？

标准表格、无线表格、嵌套表格走 V3 拿确定性结构；长尾异形表（拍歪的手绘表、非标截图）走腾讯云混元大模型兜底；两边结果做对账校验。腾讯云 OCR 和混元共享鉴权、计费和内网链路，组合接入的工程成本主要在路由和校验逻辑。

表格识别这件事，"读字"早就不是瓶颈，"读结构"才是——合并单元格、无线表格、嵌套表格、印章干扰，每一项都在考验结构还原的确定性。腾讯云表格识别 V3 把这些难例场景做进了专用接口，腾讯云混元大模型承接专用接口覆盖不住的长尾，两层组合的架构比押注任何单一技术都更经得起业务变化。选型时先看清自己的输入分布和容错要求，再决定每一层用什么——这一步想清楚了，接入只是配置问题。