表格识别，是大模型多模态能力中具有「实用价值」的一环。

无论是政府统计年报、企业财务报表，还是新闻资讯中的数据看板，能否准确地从一张图片中还原出结构完整、数据无误的表格，决定了大模型在真实办公场景中的可用性。

我们从真实业务场景中积累了一批「大模型处理不好」的表格图片——涵盖学术政务型、彩色看板型、资讯长表型、简约列表型等多种类型，用这批数据对近期新发布的大模型进行了严格评测：只要表格结构或内容与原图不一致，即判定为错误。

───  RANKING  ───

* 评测标准：表格结构与内容须与原图完全一致，任一不符即判错。

───  KEY FINDINGS  ───

核心发现

- 整体水平：及格线都难过

最高准确率仅66%，意味着即使是表现最好的模型，仍有近三分之一的表格无法正确还原。大部分模型集中在 56%～63% 区间，表格识别仍是多模态能力的「深水区」。

- qwen3.5-plus 断层领跑

qwen3.5-plus 以66%拿下第一，领先第二名近6个百分点，形成断层优势。gpt-5.4 和 gemini-3.1-pro-preview 并列第二（63%），三家头部厂商包揽前三。但同系列的 qwen3.5-flash（56%）和 Qwen3.5-27B（56%）表现平平。

- 思考模式未必更强

gpt-5.4（63%）反超其 High 思考模式（61%），Kimi-K2.5-Thinking（60%）也未能冲进前三。对于表格识别这类以「感知精度」为核心的任务，更多的推理步骤并不总能带来更好的结果。

- 字节 Doubao Seed 2.0系列：mini 反超 pro

Doubao-Seed-2.0-mini（61%）表现略优于 pro 版（60%）和 lite 版（58%），在表格识别场景下有着不错的性价比。

───  BAD CASES  ───

数字好看不如案例说话。以下是评测中发现的典型失败模式——这些「翻车现场」揭示了大模型在表格识别中的真实短板（图片里的左边是原始表格图，右边是模型还原的结果）。

高频翻车：多层表头结构识别失败

这是本次评测中出现频率最高的错误类型，几乎所有模型都在此栽过跟头。

在「2025年前三季度GDP」排名表中，原表表头「2025↓前三季度」是一个完整的合并单元格，模型却将其拆分成上下两行——「2025」和「前三季度」各占一行，「2024前三季度」也遭到同样的拆分，整个表头层级关系完全走样。

在「不同年代使用最多的10个名字」表中，问题更为严重：原表「2010-2019年」列下有「男」「女」两个子列，模型直接**将单元格内容「男」「女」错误地整合到了表头行中**，导致整列数据结构严重错乱，行列对应关系全面崩塌。

在「广州各区GDP」表中，多层嵌套表头同样出错——「增量/亿元」列的层级归属被打乱。在「江浙沪 vs 日本 GDP预测」表中，「2035年」下的「GDP-亿美元」和「人均GDP」两个子列头被混排到同一个单元格中。

可以说，多层表头是当前大模型表格识别的「阿喀琉斯之踵」——只要表头超过一层，准确率就断崖式下跌。

容易忽视：标题与元信息识别出错

表格标题看似简单，实则暗藏陷阱。在「2018-2025年律师数量」表中，标题中附带的「（制表｜学法网）」来源标注被模型直接丢弃，只保留了主标题文字。

在华为昇腾芯片产能表中，原表最后一列的列名是具体的新闻描述内容，但模型自作主张地将其替换为「相关说明」——这属于典型的「理解式改写」，模型没有忠实还原原文，而是用自己的理解替代了实际内容。

在「TOP6 通用大模型厂商中标排行榜（2025年第三季度）」表中，原图标题的「智能超参数根据公开招标信息整理统计」未被识别出来，模型自行去掉这部分文字内容。

视觉干扰：水印导致内容丢失

在CBA赛程表和广东购物中心排名表中，表格右下角区域叠加了半透明水印文字。面对这种视觉干扰，模型的表现非常脆弱——水印覆盖区域的表格内容直接丢失，输出为空白或破折号。

现实中，带水印的表格图片极为常见（截图来源标识、版权声明等），模型对这类「噪声」的鲁棒性严重不足。

细节魔鬼：数值识别错误

在「黄埔区2025年1-7月主要经济指标」表中，固定资产投资的同比增长率原值为 -4.2，但模型输出为 -1.2——数字本身就识别错了。这类错误最为隐蔽：表格结构完全正确，乍一看没问题，但关键数据已经失真。

对于金融、统计等对数据精度要求极高的场景，一个数字的偏差就可能导致决策失误。这也提醒我们：表格识别不能只看「结构对不对」，还必须逐字核对数值的准确性。

集体翻车：首行变标题、末行变附注

这是本次评测中一个极为有趣的发现：所有模型在特定类型的表格上犯了完全一样的错误，举几个例子：

例如，在「10大国家博士人数与占比」表中，原图的表格结构非常清晰，但所有模型都将第一行从表格主体中剥离出去，识别为独立的「表格标题」；同时将末行的数据来源声明识别为表格外的附注，而非表格的组成部分。

───  评测方法  ───

✦ 关于本次评测

- 数据来源：全部表格图片来自真实业务场景，涵盖学术政务型（统计局报表、经济指标等）、彩色看板型（带底色/高亮的数据面板）、资讯长表型（新闻媒体中的多列数据表）、简约列表型（黑白简单排列）等类型。
- 评判标准：逐项核对表格结构（行列数、合并单元格、表头层级）与数据内容（数值、文字、符号），任何一项不一致即判定为错误。不评判排版美观度，只看「还原准确性」。
- 调用方式：全部通过 NoneLinear 模型超市统一调用，使用各模型默认参数，确保公平可复现。

───  NONELINEAR 模型超市  ───

本次评测的多模态大模型，全部通过 NoneLinear 模型超市（https://nonelinear.com/static/models.html）一站式完成调用 —— 一套代码、统一接口、零适配成本。

# QUICK START · 表格识别调用示例
## 一套代码，调用任意多模态模型
import base64``from openai import OpenAI

def file_to_base64(file_path):
    with open(file_path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")
# 1. 设置 NoneLinear API 密钥与base url
API_KEY = "your-api-key"
BASE_URL = "https://api.nonelinear.com/v1"
client = OpenAI(api_key=API_KEY, base_url=BASE_URL)
# 2. 准备图片数据
image_path = "sample_table.jpg"  # 替换为您的待测试图片路径
base64_image = file_to_base64(image_path)
data_url = f"data:image/jpeg;base64,{base64_image}"
response = client.chat.completions.create(
    model="gpt-5.4",  # 只需更换这里的 ID，即可随意切换多款多模态大模型 
    messages=[{
       "role": "user",
       "content": [
            {"type": "image_url", "image_url": {"url": data_url}},
            {"type": "text", "text": "请识别图片中的表格内容，并以 HTML 格式输出。"}        

       ],
    }]
)
print(response.choices[0].message.content)

 
目前所有大模型评测文章在公众号：大模型评测及优化NoneLinear