双三角标注：面向高精度历史文档标注的可扩展人类在环框架

大规模从历史文档中提取结构化信息需要高精度的 ground-truth 标注，但传统的手动标注成本高昂，完全自动化的管道基于大语言模型容易产生幻觉。我们提出双三角标注（Double Triangle Annotation），一个两层人类在环框架，利用跨模型共识自动完成大部分标注工作，同时确保高精度输出。在第一层中，两个 architecturally independent 的多模态大语言模型并行标注每个文档；当它们一致时，自动接受该标签，并将不一致的项目路由到人类评审小组。第二层对两套此类系统进行交叉检查，将剩余冲突升级给领域专家。该框架基于单一假设——模型之间误差独立——无需分布性先验或任务特定校准，随着模型能力的提升而变得更加自主。针对覆盖1887-1906年法国医学目录的 Guides Rosenwald 语料库，本框架实现了最终的词错误率（Word Error Rate）为0.003。大规模应用后，模型共识自动接受了13,595个字段中超过85%。我们发布了该基准——即第一个面向Rosenwald Guides 的结构化提取 ground truth——以支持未来在历史文档处理方面的工作。