CSPO: 缓解结构化表格到 LaTeX 生成中的奖励歧义问题
人工智能
2026-04-14 v1
摘要
表格包含丰富的结构化信息，但存储为图像后，其内容仍被“锁定”在像素中。将表格图像转换为 LaTeX 代码可实现忠实的数字化重用，但当前的多模态大语言模型（MLLM）往往难以保持结构、样式或内容的忠实度。传统的强化学习（RL）后训练通常依赖单一聚合奖励，导致奖励歧义，使其混合了多种行为方面，阻碍有效优化。我们提出了组件特定策略优化（CSPO），一种分离LaTeX表格各组件（结构、样式、内容）优化的RL框架。具体而言，CSPO为各组件分配特定奖励，并仅通过与该组件相关的标记反向传播，从而缓解奖励歧义，实现针对性的组件级优化。为全面评估性能，我们引入了一套分层评估指标。大量实验表明CSPO的有效性，凸显了针对可靠结构化生成进行组件特定优化的重要性。
引用
@article{arxiv.2604.10918,
title = {CSPO: Alleviating Reward Ambiguity for Structured Table-to-LaTeX Generation},
author = {Yunfan Yang and Cuiling Lan and Jitao Sang and Yan Lu},
journal= {arXiv preprint arXiv:2604.10918},
year = {2026}
}
备注
Accepted by ACL2026 (main conference)