财务 PDF 里的文字、数字和图表本来就是矢量。我们不把页面拍成图片再去认，而是把每一页原样转成 SVG，让每个数字既是"看得见的字形"，也是"读得出的字符串"，并且始终带着页面坐标。进入索引的是每个成员的 index text——已验证字段的确定性文本投影，最上面再加一行本页的上下文头；回答时回到同一份快照取出类型化 IR 与 SVG 证据逐字段核验，核不上就拒答。
读这张图只需要记住两件事。第一，主干上的模型步骤只有三个：切版面、抽页级元数据、算向量；文字对象的转录和资格都是确定性的，可以逐字节重放，页级元数据的每个字段也必须在本页正文里找到逐字出处。第二，图表支线上模型产出的 chart IR 和描述互相不做输入，也不能自证正确，只有"来源资格校验"这一步能让它们进入检索快照。
下表按处理对象模型中的 stage 名列出。存储层统一为内容寻址：每个产物按 sha256 落到 objects/sha256/<digest>，stage 结果以输入指纹为缓存键，读回时校验摘要与长度。
page.get_svg_image()，路径、填充、描边、裁剪、变换矩阵、内嵌图片全部保留，文字以内嵌字体的字形轮廓输出，坐标就是页面 pt；
(2) 文字 span——page.get_text("dict")，每个 span 带文本、bbox、字体、字号、方向，直接来自 PDF 内容流。
normalized_partition 归一。viewBox 并包一层 overflow="hidden"，保留整棵 native 子树，不重绘）；以及落在 bbox 内的 span 子集。source_span_id）和一段逐字转录的 description，producer 记为 exact-source-transcription-v1。表格由 pdfspine find_tables 依据矢量 ruling 线重建网格得到 TableIR，网格本身还要再被证明一次（见下一阶段）；图表、流程图与公式走支线（见 03）。
qualified_ir / qualified_description。五类对象各有各的证明，全部无模型：
文字按 literal-source-transcription-v1 逐 span 复核；
表格要求每条行列边界与每条单元格边都真有线——只把厚度不超过 3.0 pt 的轴对齐实线（虚线、曲线、斜线一律不算）收为 ruling 观测，再以 0.5 pt 容差逐条比对，合并单元格反过来由"跨过的内部边界上没有线"证明；
图表由几何校验与字形油漆证明（source-paint proof）决定；
流程图要求每个节点框对上一个真实矢量形状、每个标签逐字等于它引用的 span，每条边要有连线加一个填充箭头，箭尖落在目标节点里；
公式把 span 切成有序、不重叠、拼起来等于原文的 token，上下标由 PDF 的 Ts 算子证明。
snapshot_id 为 scope 与成员的内容哈希）→ 原子切换 current-processing 指针（可选再切 current-manifest）。三步幂等，任何一步失败不动指针。另有一份逐页导出的轻量 HTML 审阅页（内嵌该页 SVG、原文 span 与 bbox），供人工核对来源。它是给人看的投影，不是处理阶段：进入模型和检索的始终是 SVG 与 span。
图表是财务 PDF 里最容易被"看错"的东西，也是我们路线与常见做法差别最大的地方。支线从对象级 SVG 出发，分四步（流程图与公式走同一条支线，差别见本节末尾）：
渲染。 用 resvg 把裁剪 SVG 确定性地渲染为 PNG（model_render），同时生成一份绑定摘要（model_view）。渲染时禁止未解析字体的 <text> 元素——模型看到的每个字形都必须来自内嵌字体。
两路独立推断。 同一张 SVG 渲染图连同结构化的 span 观测，分别交给两次 VLM 调用：一路提取 chart IR（producer model-chart-v1），一路直接写自然语言描述（producer model-description-v1）。描述这一路的提示词明确写着"你没有结构化提取结果作为输入"，每个显式数值一句话，形如 During {period}, {series} for {category}: {value} {unit}.，必须引用精确的元素 ID，不得写趋势、估计或比较。两路互不为输入，所以它们的一致是证据，而不是复读。
来源资格校验。 无模型。按图表语法做几何校验（donut 的扇区、bar 的柱与标签关联），并做字形油漆证明：通过 pdfspine 的设备接口重放同一页，证明 IR 引用的那块 paint 确实是文字算子用内嵌字体画出来的，Unicode、字形 ID、渲染矩阵、填充与 alpha 都对得上。数值只能来自显式文本出现，绝不从柱高、颜色、坐标轴插值或箭头几何推出来。
进入快照。 通过校验后，从 qualified_ir 里确定性地投影出一串 index text 送进 embedding——标题、期间、语法，加上每个点的分段、系列与显式值；一个点都没有显式值的图表则退回用它的 qualified_description，免得一张只有标签的图靠它引不出来的词爬上排名。qualified_ir、SVG、资格回执作为同一成员的证据随快照保存。回答时命中 index text → 解析同一快照的 IR 与 SVG → 逐字段核验后才形成上下文。
流程图与公式。 流程图沿用同一条支线：模型从裁剪 SVG 读出节点与边，再由无模型的几何证明逐个复核——节点框必须对上一个真实矢量形状，标签必须逐字等于它引用的 span，边必须有连线加一个填充箭头指向目标；对象框里只要有一个 span 没被任何节点或边引用，整个对象就退回，这是防止模型悄悄漏掉一个节点的确定性守卫。只有节点、没有一条证得出的边，也允许入库——代价是上下文里一条边都不印，模型因此无法推断先后顺序。公式更进一步，连 IR 都不靠模型：token 直接从 span 观测出来，必须有序、不重叠、拼起来等于原文；上下标由 PDF 的 Ts 算子逐字证明，证不到就只按字号与基线推断并明确标成推断，可读式也跟着改口径——写成"x 上标 2"而不是"x 的 2 次方"。
// chart IR 字段结构（figures/models.py） // 示例语义：第 18 页 Distribution Mix donut ChartIR binding: SvgBinding → svg_digest, element 索引 grammar: "donut" title: TextField("Distribution Mix", evidence) period: TextField("1H26", evidence) axes: () // donut 无坐标轴 points: - ChartPoint series: TextField("VONB", evidence) category: TextField("Agency", evidence) unit: TextField("%", evidence) value: NumericObservation(Decimal("72"), EXPLICIT, evidence) - ChartPoint series: "VONB" category: "Partnerships" unit: "%" value: NumericObservation(Decimal("28"), EXPLICIT, evidence) marks: - ChartMark(kind="arc", bbox=(x0, y0, x1, y1), color="#rrggbb", point_ids=("Agency",), evidence) producer: "model-chart-v1:<model指纹>:<请求指纹>:<输出摘要>" verification: VERIFIED | PENDING execution_mode: PRODUCTION // 每个 evidence 都是一组 SVG 元素引用 Evidence(element_ids=("…",), verification, confidence) SvgElement.anchor → page_index, bbox, transform
| 路线 | 文字与数字精度 | 图表里的数值 | 可追溯性 | 可重放 / 可审计 |
|---|---|---|---|---|
| 整页光栅 + OCR | 把本来就是矢量的文字先变成像素再识别，引入本可避免的识别误差；小字号、上下标、脚注最先出错。 | 图形与文字被拍平在同一张位图里，图例、颜色、柱与标签的关联要靠二次猜测。 | 只能给到像素框，对不回 PDF 的元素与内容流。 | 识别结果随引擎与版本漂移。 |
| 整页截图直接喂 VLM | 数字是模型"读"出来的，读错没有独立信号；同一张图两次可能读出不同值。 | 值常从柱高、扇区大小估出，与显式标注无法区分；无值的柱子容易被补一个看上去合理的数。 | 回答只能引用"第几页"，无法指到具体元素与坐标；命中的是模型的转述。 | 不可重放，事后无法验证模型当时看到了什么、依据了什么。 |
| 纯文本抽取 / 过早 Markdown 化 | 文字本身准确，但整页拉成线性文本后区域关系被破坏；表格丢失空白、合并单元格拓扑与完整多级表头。 | 图表里的数字散落成孤立字符串，不知道属于哪个系列、哪个分段、哪个期间。 | 位置信息在拉平时丢掉，很难回指区域。 | 可重放，但丢掉的结构无法找回。 |
| 矢量优先（本路线） | 文字直接来自内容流，逐字节精确；字形与 span 两份独立观测互相印证。 | chart IR 每个点带 series / category / unit / value，值只接受显式文本出现；估计值另标 kind，不用于精确回答；无值即 UNAVAILABLE。 | claim → IR 字段 → SVG 元素 → 页面 / 区域 / 变换矩阵，字段级引用；网格已证明的表格另给出单元格的行、列与表头。 | 解析、裁剪、渲染、校验全部确定性、内容寻址；模型输出带 producer 指纹，可重放核对。 |
我们不是拒绝模型，而是把模型放在它可靠的位置：理解版面、把图表翻译成结构、写一段可核对的描述。凡是页面上已经精确存在的东西——文字、数字、坐标、颜色——一律不经过模型重新生成。
检索是双通道的，索引里只有文本。 问题同时走两条路：一条做 query embedding，在 pinned 快照的向量上做 cosine 检索；一条做 BM25 词法检索，倒排索引建在同一批文本上。两路各取 50 个候选，出一份排序，用 RRF 融合（k = 60），默认交出前 10 名。两条通道打分的对象完全相同，都是每个成员那一串 index text；SVG、IR 对象与资格回执不进任何索引。文本通道保证问"费用率"能召回写着 expense ratio 的那张图，向量通道保证换个说法也能召回。
上下文用类型化 IR 构建。 融合后的命中只是成员 ID。构建上下文时回到同一快照，按成员取出 qualified_ir、SVG 证据与资格回执：文字成员给原文转录，表格成员给单元格（网格已证明的还带行、列与表头），图表成员给结构化的 chart IR，流程图给节点与已证的边，公式给 token。检索靠文本找到"哪一块值得看"，回答靠 IR 知道"里面到底写了什么"。
引用链是字段级的。 最终引用永远是 claim 或计算输入 → chart IR 字段 → SVG 元素 → PDF 来源版本 / 页 / 区域。每条引用（FieldCitation）带字段路径、chart IR 与 SVG 的资产 ID、SVG 摘要、资格回执 ID，以及精确的元素出现位置。描述被检索命中的分数本身不授予任何证据资格。
计算是精确的，而且只在一个入口。 donut 上的百分点差用 Decimal 精确相减，银行家舍入，出现不精确即抛错，并附计算回执（规则、精度、输入、输出与来源锚点）。柱状图的显示值查询只回读页面上写出的值，不做任何跨期计算。这条能力目前只开在结构化的 typed ChartQA 端点上：自然语言聊天那一侧，模型被明确禁止做任何加减、换算、取整与跨期合并，问"Agency 比 Partnerships 高多少个百分点"会直接拒答并标 needs_calculation。把精确计算接进聊天是后续的事，在那之前宁可拒答，也不让模型自己算。
拒答是正常的业务结果。 默认状态只有 answered 与 abstained，不用附近的数字补位。拒答走 HTTP 200 并带原因；证据损坏是 409；依赖缺失是 503。typed ChartQA 常见的拒答原因直接来自代码（聊天那一侧另有自己的一组，见 06 的第 6、7 步）：
一个具体的例子：费用率柱状图上 1H24 与 1H26 有显式标注，1H25 没有。系统对 1H25 的回答是 VALUE_UNAVAILABLE，而不是按柱高读一个数；图上标注的 (130) bps 变化也不被当作可回答的事实，因为它不是我们校验过的显式数据点。全部拒答同样不算通过：评测要求在可回答样本上 100% 精确、100% 覆盖，同时 0 个反例逃逸。
一份 PDF 从字节到可检索快照，中间没有任何人工标注：没有人填标题、分章节、标年份，也没有人圈选图表区域。模型只出现在构建阶段，而且每一个被写进元数据的值都必须在本页正文里找到逐字出处，对不上的字段被剔除并记入诊断——它是抽取，不是概括。
页级元数据有两个用途：一是检索前的过滤条件，二是 index text 最上面那行上下文头。Distribution Mix 这种在多份报告里重名的图表，因此能靠"哪份文件、哪一章"区分开；也正因为有了期间过滤加上下文头，中文问"2026 上半年分销渠道占比"能命中第 18 页——而不是因为我们有中文词面通道（见 07）。一次问答固定走下面七步：
下面这些都还没做完或没复验过。它们不动摇"答出来的必须核得上"这条底线——缺口的表现形式是覆盖不足或拒答，不是错答。