docvortex 0.4.6__tar.gz → 0.4.8__tar.gz

{docvortex-0.4.6/src/docvortex.egg-info → docvortex-0.4.8}/PKG-INFO

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: docvortex
-Version: 0.4.6
+Version: 0.4.8
 Summary: A fast, multi-format document parsing and conversion engine
 License-Expression: MIT
 Project-URL: Repository, https://github.com/myhloli/DocVortex

docvortex-0.4.8/docs/flash-manual-annotations-2026-09-15.md

@@ -0,0 +1,149 @@
+# Flash 人工标注修复验收（2026-09-15）
+
+基于 `cefa1208`，仅修改 DocVortex Flash 原生解析规则。公共 API 与 code/code_body 类型兼容；未引入 OCR/VLM，也无文件名、页码或论文内容生产特例。
+
+## 结果
+
+- 8 份完整原件、118 页，87 组标注：85 组修复通过；MMLU 第 19、20 页按保守策略拆分明确段落并保留少量不确定短条目。
+- 19 份历史语料、168 页，以干净 cefa1208 重跑结果为比较起点，逐页审阅变化。新增 `flash_reviewed_history.json` 冻结这次确认的全部逐页输出。旧几何清单有先前已陈旧的条目，未整体覆盖。
+- 表格清单保留 51 表（48 HTML、3 保守投影）。三张表仅裁剪边界变化；一处旧清单空格偏差在 cefa1208 已复现，单独校准。
+
+## 规则修复
+
+1. 原生对象遍历传播父级裁剪，区分父坐标和对象矩阵；路径、点阵图和 Form 使用同一有效裁剪。旋转与嵌套 Form 有渲染像素反例。
+2. 图题、路径、点阵图与标签共同提供图形证据；白背景不作为独立扩框依据，真实代码、表格和正文形成屏障。
+3. 行与段落保留来源成员，段首强调回到正文并保留粗体；真实行间公式分隔正文。
+4. 公式要求数学和排版证据，补分式、上下限、附录编号及小字符；分数线不触发脚注。彩色边角 logo 和文献尾行有排除证据。
+5. 图表题支持附录编号、宽 caption/窄图、整图与子图绑定；表格用规则线和单元格续行补足尾行及表头；无横线算法使用标题、控制结构与缩进聚合。
+6. 页眉数字匹配避开文献卷页，脚注限定栏与分隔线；机构编号、紧排参考文献共享成员分组。
+
+## 逐组人工标注裁决
+
+| 标注 ID | 原件 / 物理页 | 原块序号 | 结论 | 验收说明 |
+| --- | --- | --- | --- | --- |
+| nougat-03-01 | 2308.13418v1.pdf / 3 | 2 | 修复通过 | 真实绘图成员和边缘标签归为完整图；最大/最小边界与正文排除检查通过。 |
+| nougat-05-02 | 2308.13418v1.pdf / 5 | 10,11 | 修复通过 | 行间公式完整聚合；分式、上下限或编号归属完整，未保留游离小块。 |
+| nougat-05-03 | 2308.13418v1.pdf / 5 | 3 | 修复通过 | ModelJson 识别为 caption，最终输出保留对应图表 caption 类型。 |
+| nougat-06-04 | 2308.13418v1.pdf / 6 | 区域定位 | 修复通过 | ModelJson 识别为 caption，最终输出保留对应图表 caption 类型。 |
+| nougat-08-05 | 2308.13418v1.pdf / 8 | 4 | 修复通过 | ModelJson 识别为 caption，最终输出保留对应图表 caption 类型。 |
+| nougat-13-06 | 2308.13418v1.pdf / 13 | 4 | 修复通过 | ModelJson 识别为 caption，最终输出保留对应图表 caption 类型。 |
+| nougat-08-07 | 2308.13418v1.pdf / 8 | 9,10,11,12,13,14,15,16,17 | 修复通过 | 行间公式完整聚合；分式、上下限或编号归属完整，未保留游离小块。 |
+| nougat-09-08 | 2308.13418v1.pdf / 9 | 3,4,5,6,7,8,9,10 | 修复通过 | 行间公式完整聚合；分式、上下限或编号归属完整，未保留游离小块。 |
+| nougat-02-09 | 2308.13418v1.pdf / 2 | 11,12 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| nougat-02-10 | 2308.13418v1.pdf / 2 | 13,14 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| nougat-04-11 | 2308.13418v1.pdf / 4 | 区域定位 | 修复通过 | 段内强调合入 text，粗体保留；真正的独立节标题保留。 |
+| mmlu_redux-02-01 | 2406.04127v2.pdf / 2 | 区域定位 | 修复通过 | 真实绘图成员和边缘标签归为完整图；最大/最小边界与正文排除检查通过。 |
+| mmlu_redux-05-02 | 2406.04127v2.pdf / 5 | 区域定位 | 修复通过 | 真实绘图成员和边缘标签归为完整图；最大/最小边界与正文排除检查通过。 |
+| mmlu_redux-07-03 | 2406.04127v2.pdf / 7 | 2 | 修复通过 | 五个反复出现的粗体引导短语分别成段，五段均保留行内粗体。 |
+| mmlu_redux-09-04 | 2406.04127v2.pdf / 9 | 8,9 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| mmlu_redux-10-05 | 2406.04127v2.pdf / 10 | 9,10,11,12 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| mmlu_redux-19-06 | 2406.04127v2.pdf / 19 | 区域定位 | 按保守策略保留 | 已有重复粗体与句尾证据的长段已拆开；少量紧贴的单行短条目仍保持原组合，避免放宽阈值误拆普通段落。 |
+| mmlu_redux-20-07 | 2406.04127v2.pdf / 20 | 区域定位 | 按保守策略保留 | 已有重复粗体与句尾证据的长段已拆开；少量紧贴的单行短条目仍保持原组合，避免放宽阈值误拆普通段落。 |
+| frames_v1-04-01 | 2409.12941v1.pdf / 4 | 2,3,4,5,6 | 修复通过 | 完整表区域及 HTML 单元格通过，尾行/外置表头已纳入。 |
+| frames_v1-08-02 | 2409.12941v1.pdf / 8 | 5 | 修复通过 | ModelJson 识别为 caption，最终输出保留对应图表 caption 类型。 |
+| frames_v1-10-03 | 2409.12941v1.pdf / 10 | 9,10,11 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v1-11-04 | 2409.12941v1.pdf / 11 | 16,17 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v2-01-01 | 2409.12941v2.pdf / 1 | 5 | 修复通过 | 独立标题保留 paragraph_title，正文段首强调使用行内样式。 |
+| frames_v2-01-02 | 2409.12941v2.pdf / 1 | 10,11 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v2-04-03 | 2409.12941v2.pdf / 4 | 1,2,3 | 修复通过 | 完整表区域及 HTML 单元格通过，尾行/外置表头已纳入。 |
+| frames_v2-04-04 | 2409.12941v2.pdf / 4 | 8,9 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v2-05-05 | 2409.12941v2.pdf / 5 | 2 | 修复通过 | ModelJson 识别为 caption，最终输出保留对应图表 caption 类型。 |
+| frames_v2-05-06 | 2409.12941v2.pdf / 5 | 4,5 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v2-06-07 | 2409.12941v2.pdf / 6 | 2,3,4,5,6,7 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v2-07-08 | 2409.12941v2.pdf / 7 | 5,6 | 修复通过 | 算法聚合为 code/code_body，caption 独立；没有新增公共类型。 |
+| frames_v2-07-09 | 2409.12941v2.pdf / 7 | 9,10 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v2-09-10 | 2409.12941v2.pdf / 9 | 9,10 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v2-09-11 | 2409.12941v2.pdf / 9 | 11,12,13 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v2-09-12 | 2409.12941v2.pdf / 9 | 14,15 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v2-09-13 | 2409.12941v2.pdf / 9 | 16,17 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v2-09-14 | 2409.12941v2.pdf / 9 | 19,20 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v2-09-15 | 2409.12941v2.pdf / 9 | 21,22 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v2-09-16 | 2409.12941v2.pdf / 9 | 23,24,25,26,27,28,29 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| frames_v2-09-17 | 2409.12941v2.pdf / 9 | 30,31 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| nash_review-01-01 | 7061196.pdf / 1 | 10 | 修复通过 | 脚注类型与成员范围通过；相邻栏正文没有被纳入。 |
+| nash_review-01-02 | 7061196.pdf / 1 | 11 | 修复通过 | 彩色出版 logo 归为 image，普通黑色页底公式反例保留。 |
+| nash_review-03-03 | 7061196.pdf / 3 | 区域定位 | 修复通过 | 真实绘图成员和边缘标签归为完整图；最大/最小边界与正文排除检查通过。 |
+| nash_review-05-04 | 7061196.pdf / 5 | 区域定位 | 修复通过 | 真实绘图成员和边缘标签归为完整图；最大/最小边界与正文排除检查通过。 |
+| nash_review-08-05 | 7061196.pdf / 8 | 区域定位 | 修复通过 | 真实绘图成员和边缘标签归为完整图；最大/最小边界与正文排除检查通过。 |
+| nash_review-12-06 | 7061196.pdf / 12 | 16,17,18,19,20,21 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| nash_review-14-07 | 7061196.pdf / 14 | 区域定位 | 修复通过 | 参考文献卷页尾行回到对应条目，不再被重复页眉规则认领。 |
+| nash_review-15-08 | 7061196.pdf / 15 | 区域定位 | 修复通过 | 参考文献卷页尾行回到对应条目，不再被重复页眉规则认领。 |
+| connexin-02-01 | 12352684 (1)-需要重打印.pdf / 2 | 9,10 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| connexin-05-02 | 12352684 (1)-需要重打印.pdf / 5 | 25,26 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| connexin-05-03 | 12352684 (1)-需要重打印.pdf / 5 | 27,28 | 修复通过 | 参考文献 21、22 分为两个完整条目；该页不再有误识别公式。 |
+| fornax-01-01 | 公式密集span不规范-两个block重叠部分.pdf / 1 | 区域定位 | 修复通过 | 作者行保留上标编号；九个机构按 1–9 排列，邮箱随机构 1，日期独立。 |
+| fornax-04-02 | 公式密集span不规范-两个block重叠部分.pdf / 4 | 5,6 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| fornax-05-03 | 公式密集span不规范-两个block重叠部分.pdf / 5 | 区域定位 | 修复通过 | 排除把分数线当脚注线的路径；公式同时包含分子、分母和 (8)，下方两段保持 text。 |
+| fornax-06-04 | 公式密集span不规范-两个block重叠部分.pdf / 6 | 7 | 修复通过 | 脚注类型与成员范围通过；相邻栏正文没有被纳入。 |
+| fornax-08-05 | 公式密集span不规范-两个block重叠部分.pdf / 8 | 区域定位 | 修复通过 | ModelJson 识别为 caption，最终输出保留对应图表 caption 类型。 |
+| fornax-11-06 | 公式密集span不规范-两个block重叠部分.pdf / 11 | 3,4,5,6,7,8,9,10 | 修复通过 | 完整表区域及 HTML 单元格通过，尾行/外置表头已纳入。 |
+| fornax-11-07 | 公式密集span不规范-两个block重叠部分.pdf / 11 | 16,17 | 修复通过 | 编号 1 与 2 分段，This is illustrated 及后续说明归到第 2 段。 |
+| fornax-13-08 | 公式密集span不规范-两个block重叠部分.pdf / 13 | 区域定位 | 修复通过 | 悬挂缩进恢复 82 条参考文献；单行和多行条目混排，期刊/年份尾行归属通过。 |
+| fornax-14-09 | 公式密集span不规范-两个block重叠部分.pdf / 14 | 5,6,7,8,9 | 修复通过 | 行间公式完整聚合；分式、上下限或编号归属完整，未保留游离小块。 |
+| k2_treap-02-01 | 公式密集span不规范论文.pdf / 2 | 2,3 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-02-02 | 公式密集span不规范论文.pdf / 2 | 13,14 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-03-03 | 公式密集span不规范论文.pdf / 3 | 区域定位 | 修复通过 | 原生路径与标签恢复完整图。独立 caption 保持独立；Fig.11/12/14 两侧完整，Fig.13 六个子图已聚成整图。 |
+| k2_treap-03-04 | 公式密集span不规范论文.pdf / 3 | 8,9 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-04-05 | 公式密集span不规范论文.pdf / 4 | 5,6 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-04-06 | 公式密集span不规范论文.pdf / 4 | 7,8,9,10,11,12,13,14,15,16,17,18 | 修复通过 | 算法聚合为 code/code_body，caption 独立；没有新增公共类型。 |
+| k2_treap-04-07 | 公式密集span不规范论文.pdf / 4 | 25,26 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-05-08 | 公式密集span不规范论文.pdf / 5 | 2,3 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-05-09 | 公式密集span不规范论文.pdf / 5 | 区域定位 | 修复通过 | 原生路径与标签恢复完整图。独立 caption 保持独立；Fig.11/12/14 两侧完整，Fig.13 六个子图已聚成整图。 |
+| k2_treap-06-10 | 公式密集span不规范论文.pdf / 6 | 2,3 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-06-11 | 公式密集span不规范论文.pdf / 6 | 6,7 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-06-12 | 公式密集span不规范论文.pdf / 6 | 11,12,13,14,15,16,17 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-06-13 | 公式密集span不规范论文.pdf / 6 | 18 | 修复通过 | 原生路径与标签恢复完整图。独立 caption 保持独立；Fig.11/12/14 两侧完整，Fig.13 六个子图已聚成整图。 |
+| k2_treap-07-14 | 公式密集span不规范论文.pdf / 7 | 8,9 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-07-15 | 公式密集span不规范论文.pdf / 7 | 11,12 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-07-16 | 公式密集span不规范论文.pdf / 7 | 16,17 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-08-17 | 公式密集span不规范论文.pdf / 8 | 4,5,6 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-08-18 | 公式密集span不规范论文.pdf / 8 | 10,11 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-08-19 | 公式密集span不规范论文.pdf / 8 | 14,15,16 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-08-20 | 公式密集span不规范论文.pdf / 8 | 17,18 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-09-21 | 公式密集span不规范论文.pdf / 9 | 区域定位 | 修复通过 | 原生路径与标签恢复完整图。独立 caption 保持独立；Fig.11/12/14 两侧完整，Fig.13 六个子图已聚成整图。 |
+| k2_treap-09-22 | 公式密集span不规范论文.pdf / 9 | 16,17 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+| k2_treap-10-23 | 公式密集span不规范论文.pdf / 10 | 区域定位 | 修复通过 | 原生路径与标签恢复完整图。独立 caption 保持独立；Fig.11/12/14 两侧完整，Fig.13 六个子图已聚成整图。 |
+| k2_treap-11-24 | 公式密集span不规范论文.pdf / 11 | 区域定位 | 修复通过 | 原生路径与标签恢复完整图。独立 caption 保持独立；Fig.11/12/14 两侧完整，Fig.13 六个子图已聚成整图。 |
+| k2_treap-12-25 | 公式密集span不规范论文.pdf / 12 | 区域定位 | 修复通过 | 原生路径与标签恢复完整图。独立 caption 保持独立；Fig.11/12/14 两侧完整，Fig.13 六个子图已聚成整图。 |
+| k2_treap-13-26 | 公式密集span不规范论文.pdf / 13 | 区域定位 | 修复通过 | 原生路径与标签恢复完整图。独立 caption 保持独立；Fig.11/12/14 两侧完整，Fig.13 六个子图已聚成整图。 |
+| k2_treap-14-27 | 公式密集span不规范论文.pdf / 14 | 区域定位 | 修复通过 | 原生路径与标签恢复完整图。独立 caption 保持独立；Fig.11/12/14 两侧完整，Fig.13 六个子图已聚成整图。 |
+| k2_treap-15-28 | 公式密集span不规范论文.pdf / 15 | 3,4 | 修复通过 | 已合为完整 text；原成员归属检查通过，段内不再另套 title/equation。 |
+
+## 历史变化逐页裁决
+
+| 文件 / 物理页 | 裁决 | 原因 |
+| --- | --- | --- |
+| caibao1 / 1 | 更新基线 | 嵌套 Form 裁剪后右侧三张表左边界收紧 0.001；逐格内容及列结构不变。 |
+| demo1 / 7 | 更新基线 | 图 3 以可见路径与标签重建，边框略收紧；轴标签、图例、正文和 caption 完整。 |
+| demo2 / 4 | 更新基线 | Figure 3 的三个噪声子图归为一张图，整页五个图元归为三个独立图；五组标签、Table I 和双栏阅读顺序保留。 |
+| demo2 / 5 | 更新基线 | 同一 Figure 5 下上下两个图块归为一图；参考文献、表格、公式和 caption 保留。 |
+| demo3 / 3 | 更新基线 | TableFormer 图按裁剪后真实成员收紧空白边；图中文字、箭头和下方两条公式完整。 |
+| mixed_elements_pages_03_06 / 2 | 更新基线 | 同一 Fig.1 下四张电镜子图聚为整图；a–d 标签齐全，Fig.2 与正文、公式保持独立。 |
+| mixed_elements_pages_03_06 / 3 | 更新基线 | Fig.4 按裁剪后的真实路径缩小空白边；上下轴标签完整，caption 不入图。 |
+| mixed_elements_pages_07_10 / 3 | 更新基线 | 流程图按裁剪后成员收紧边界；源代码、LLVM IR、切片分析等端点标签完整。 |
+| mixed_elements_pages_11_15 / 3 | 更新基线 | 同一 Fig.2 的 A/B/C 病理照片聚为一图，比例尺与标签完整；Fig.3、Fig.4、页眉页码保留。 |
+| 中文论文 / 6 | 更新基线 | 图 3 的成员边界调整；三个图及中英文 caption 均独立且轴标签完整，正文和所有语义指纹不变。 |
+| 中文论文2 / 1 | 更新基线 | T5 与上标 [4] 间增加一个排版空格；字符、上标样式、分段、阅读顺序和边界不变，原页叠框核对无漏字或重复。 |
+
+审阅中曾发现页码入图、普通黑色页底公式被当作 logo、真实代码入图、出版说明拆段和分数线触发脚注等回归，均修正规则后重跑，没有用基线更新掩盖。
+
+## 最终验证
+
+- 完整 Flash、历史逐页、人工样本、原生表格和 PDF 字符几何测试：**967 passed**（168.03 秒）。
+- 补充嵌套 Form 旋转与空裁剪后，裁剪专项：**9 passed**；其中四个用例为全套运行后新增验证。
+- Ruff 检查、格式检查、`git diff --check` 均通过。
+- 八份文档均通过真实公共 `parse` 入口导出 HTML 与图像资产，未发现缺失图片引用；Fornax 分式和 Nougat 两条无编号公式的实际截图已视觉核对。
+- 最终历史输出的源代码 SHA-256 与当前工作区一致，环境和资产检查见 `output/pdf/flash-manual/verification.json`。
+
+## 重放与交付
+
+使用用户指定的 Magic-PDF `.venv1`：
+
+```sh
+python tools/review_flash_annotations.py
+python tools/review_flash_regression.py --output output/pdf/flash-manual/history-current --compare-to output/pdf/flash-manual/history-before
+python -m pytest tests/unittest/test_flash_pdf_*.py tests/unittest/test_flash_manual_annotations.py tests/unittest/test_pdf_document.py tests/unittest/test_pdf_object_clipping.py tests/unittest/test_native_pdf_table*.py -q
+```
+
+本地验收材料在 `output/pdf/flash-manual/`：`index.html` 汇总原页、前后标框和最终 HTML；`history-current/comparison.html` 展示历史变化页；`exports/` 保存真实公共 parse 入口产生的 MiddleJson、HTML 与图像资产。
+历史结构测试沿用既有公式检测证据辅助器；最终公共 parse/HTML 验收使用真实公式图像，不依赖该辅助器。

docvortex-0.4.8/docs/flash-round2-annotations-2026-09-15.md

@@ -0,0 +1,112 @@
+# Flash 第二轮人工标注修复验收（2026-09-15）
+
+## 结果
+
+- 基于 `main@b56d294` 实施，开发分支为 `codex/flash-native-round2`；修复及本报告一并提交至本地 `main`，未推送。
+- 本轮 **6 份完整 PDF、98 页、31 组标注均修复通过**。两项可选修复均实现，无保守保留项。
+- 第一轮 **8 份、118 页、87 组标注**已重放；3 组旧“整块合并”范围按原页真实段界细化，原始块内容、区域与编号保留。
+- **1125 项**相关解析、真实样本、字符可见性、公式、原生表格及可视化测试通过；另 **131 项**原始字符样式测试通过，总计 **1256 项**。
+- 历史 **19 份、168 页**中，166 页语义和几何指纹完全不变；仅批准财报 2 页变化。
+- 公共 `parse → MiddleJson → HTML / 图片资产包` 重跑 6 份原件，98 页、78 项资产，解析诊断为空。HTML 图片路径全部可解析。
+
+## 实现及边界
+
+1. **可见字符视图**：Flash 的原生页提取入口使用与图形相同的累积 Form 裁剪和坐标变换。完全裁剪、无绘制模式与零透明度字符被排除；部分裁剪字符仍保留字符索引、来源与原点，布局框采用可见范围。原始字符 API 的默认行为不变。白色或小字号本身不是删除条件。
+2. **段落**：句末可越过实际缩小的上标引用；同栏稳定左缘、重复首行缩进、短尾剩余宽度和下一词宽度共同确认换段。保留粗体提示，显式段界传递到后续合并。公式、条目、参考文献和 caption 保留原有连续性约束。
+3. **图形与算法**：Form 成员证据可补全图缘选项行；已确认代码成员对图片形成边界。跨栏实际文字行不能仅因外接矩形相交而合并。caption 续行逐步恢复，不能通过邻栏的通栏尾行认领正文。
+4. **脚注**：先恢复同一物理行的碎片，再按横线及实际栏范围分组；分数线要求上下内容相对居中。机构标题及其宽行按一组保留，普通编号脚注继续使用已有分组规则。
+5. **标题**：将字重 0 视为未知，结合跨页重复字体、独立间隔、正文后继和多行整体识别。段内粗体继续归入 text。
+6. **首页弱表格**：仅在原生表格恢复失败、首页 article info / abstract 分区及历史字段证据同时成立时恢复文本。真实表格保持原生表格恢复流程。
+
+生产规则未引入文件名、页码或论文正文特例，不新增公共类型或 OCR/VLM 路径。新函数和方法均有中文注释。
+
+## 逐项验收
+
+原始指纹、物理页码、文字锚点及区域见 `tests/fixtures/flash_round2_annotations.json`；下表与 `flash_round2_review_decisions.json` 一致。
+
+| 标注 ID | 物理页 | 结果与证据 |
+| --- | --- | --- |
+| nougat-05-r2-01 | 5 | 修复通过：8、9、10 的 URL 均归入 page_footnote；真实分式反例保持。 |
+| nougat-07-r2-02 | 7 | 修复通过：在 Both Nougat small and base 前独立成段。 |
+| nougat-09-r2-03 | 9 | 修复通过：Utility、Nearly every dataset、Generation Speed 分为三个 text，段首粗体保留。 |
+| nougat-09-r2-04 | 9 | 修复通过：Future work 与 The primary challenge 分为两段，段首强调保留。 |
+| nougat-17-r2-05 | 17 | 修复通过：裁剪隐藏的 IP、1/1、日期和浏览器标题不进入 Flash；可见页码 17 保留。 |
+| mmlu_redux-02-r2-01 | 2 | 修复通过：完整 Form 吸收最后选项行，图片下边界包含 A. Clark 至 D. Ebbinghaus。 |
+| mmlu_redux-02-r2-02 | 2 | 修复通过：三行 Figure 1 caption 完整绑定图片，Human Aging. 不再归入邻栏正文。 |
+| frames_v1-01-r2-01 | 1 | 修复通过：在 To bridge this gap 前分为两段。 |
+| frames_v1-08-r2-02 | 8 | 修复通过：算法 1～12 行完整且仅属于 code_body；图片起点低于代码底部。 |
+| frames_v2-01-r2-01 | 1 | 修复通过：重复首行缩进支持页底 Our work addresses 单行新段；已实现可选拆分。 |
+| nash_review-01-r2-01 | 1 | 修复通过：NAFLD can be broadly 前分为两段，句末上标引用不再阻断换段。 |
+| nash_review-01-r2-02 | 1 | 修复通过：续段、Among individuals、The development of a therapy 分为三段。 |
+| nash_review-11-r2-03 | 11 | 修复通过：Affiliations 与四个机构恢复为一个 page_footnote，按实际行序连接。 |
+| nash_review-04-r2-04 | 4 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-06-r2-05 | 6 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-06-r2-06 | 6 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-07-r2-07 | 7 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-07-r2-08 | 7 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-09-r2-09 | 9 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-09-r2-10 | 9 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-10-r2-11 | 10 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-10-r2-12 | 10 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-12-r2-13 | 12 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-12-r2-14 | 12 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-12-r2-15 | 12 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-12-r2-16 | 12 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-12-r2-17 | 12 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| nash_review-12-r2-18 | 12 | 修复通过：重复未知字重样式和独立排版支持整个标题；多行标题完整归入 paragraph_title。 |
+| k2_treap-01-r2-01 | 1 | 修复通过：article info 与 abstract 恢复两片文本区域；小标题为 paragraph_title，历史、关键词、摘要、版权为 text。 |
+| k2_treap-10-r2-02 | 10 | 修复通过：同行碎片及 our research. 归入一个完整脚注，右栏正文保持独立。 |
+| mmlu_redux-02-r2-03 | 2 | 修复通过：原块 6 的窄栏上部接回 4、5，下方 documentation… 通栏尾行独立。 |
+
+## MMLU 图旁正文补充调整
+
+新增一组标注，锚点来自第二轮首次验收的源码快照，原块编号为 4、5、6。生产规则依据图注邻接、实际行宽变化和同栏未结束的续文恢复分块。前后检查文字集合完全一致，只有 MMLU 第 2 页变化；其余 7 份人工样本及历史 168 页没有新增变化。MiddleJson 与 HTML 已同步重导出。
+
+前后对比：`output/pdf/flash-round2/visual-review/mmlu-wrap-before-after.png`。补充回归日志：`output/pdf/flash-round2/logs/mmlu-wrap-regression.log`。
+
+## 第一轮断言的三处细化
+
+旧锚点保留，新增 `expected_regions` 和 `round2_review_reason`，同时检查两个自然段的正确归属。
+
+- `frames_v2-01-02`：第一段内部仍合并，`Our work addresses…` 为第二轮明确允许的独立新段。
+- `nougat-02-10`：`Decoder` 与同行正文仍合并；原页短尾句末后的 `Following Kim et al.…` 另成段。
+- `fornax-04-02`：第一段公式碎片仍归入正文；`At variance with…` 有明确首行缩进，独立成段。
+
+原页和前后标框已对照检查，没有用原始大框强行跨越新的真实段界。
+
+## 历史基线裁决
+
+| 样本 | 页 | 裁决 |
+| --- | --- | --- |
+| caibao1 | 1 | 字符“企”右侧被裁剪 0.1096pt，保留文字，仅收紧可见框；段落归一化右界 0.616 → 0.615。更新该页几何指纹。 |
+| caibao1 | 5 | 删除完全被裁剪隐藏的“图表8：”；可见“图表7：”caption 和全部图内标签保持。图框不再包含隐藏文字。更新该页指纹。 |
+| 其余历史页 | 166 页 | 语义和几何指纹不变，保持基线。 |
+| 中文合成样本 | 3、4 | 两条普通说明句由误判 paragraph_title 恢复 text；结合原页和生成代码确认，更新类型库存，正文总数 12 → 14。此样本在 168 页历史集之外。 |
+
+逐字符裁剪证据：`output/pdf/flash-round2/visual-review/caibao1-visible-chars.json`。原有较旧的 `flash_layout_geometry_manifest.json` 未整体刷新。
+
+## 端到端与视觉检查
+
+- 已查看本轮全部目标页/标题区域的最终标框，以及争议段落和历史变化页的原页、前后标框。
+- MMLU 图片截图包含完整末行四个选项；三行 caption 以 `image_caption` 进入 MiddleJson，结束于 `Human Aging.`，HTML 内容一致。
+- FRAMES v1 算法标题和 `code_body` 保留，正文行号 1～12 完整且只归属一次；最终图片资产不包含代码末行。
+- Nougat 的 Utility、Generation Speed、Future work 在 HTML 中仍有粗体；公式截图保留完整求和上下限；不可见浏览器文字未进入 HTML，可见页码保留。
+- Nash 机构脚注与 K2 同行脚注按实际阅读顺序进入最终输出；K2 首页为两个文本区域，非伪表格。
+- 历史中间实验曾出现 caption 分裂、空格丢失和引用条目误拆，均修正规则后重新验证，未据此更新基线。
+
+## 重放命令
+
+使用 `/Users/myhloli/projects/20240809magic_pdf/Magic-PDF/.venv1/bin/python`（下列 `$PY`）。
+
+```sh
+PY=/Users/myhloli/projects/20240809magic_pdf/Magic-PDF/.venv1/bin/python
+$PY tools/review_flash_annotations.py --output output/pdf/flash-round2/current
+$PY tools/review_flash_regression.py --output output/pdf/flash-round2/history-current --compare-to output/pdf/flash-round2/history-before
+$PY tools/review_flash_round2.py
+$PY -m pytest tests/unittest/test_flash_pdf_*.py tests/unittest/test_flash_round2_annotations.py tests/unittest/test_flash_manual_annotations.py tests/unittest/test_pdf_document.py tests/unittest/test_pdf_object_clipping.py tests/unittest/test_pdf_text_dedup.py tests/unittest/test_native_pdf_table*.py tests/unittest/test_pdf_visualization.py -q
+$PY -m pytest tests/unittest/test_pdf_text_styles.py -q
+```
+
+当前源码 SHA-256（排序拼接 `src/**/*.py` 路径和内容）：`ba0e69f0426fcb6f95ef2d1a726d6996111b64a51beb0ee5f5366f406220894f`。历史快照与公共导出均记录同一指纹。
+
+可打开的结果入口：`output/pdf/flash-round2/index.html`；测试、历史重放和导出日志在 `output/pdf/flash-round2/logs/`。

docvortex-0.4.8/docs/flash-rule-generalization-2026-09-15.md

@@ -0,0 +1,86 @@
+# Flash 规则抽象验收（2026-09-15）
+
+## 目标与实现
+
+基于 `3acfed223b548c5b6476917d65ce1dd728b0c269`，将两轮修复中的内容特例及固定版式假设改为结构证据。生产代码不引用论文名称、样本路径、指定问题页或自定义变量白名单。
+
+| 规则 | 已替换的条件 | 当前依据与保护 |
+| --- | --- | --- |
+| 公式 | `VarWin` / `VarEnd` 白名单 | 运算关系、函数调用和二维几何识别自定义标识符；正文残留证据由共享函数判断。中文正文不作为长变量吞入。健康原生行缺少修复专用 ink 框时，须同时具备编号和二维结构才补恢复。 |
+| 图文环绕 | 左侧窄正文、最后恰好一行变宽 | 连续行区间与图注空间屏障；左右镜像采用同一判定，多行宽尾保留全部成员。几何断点独立于自然段断点。 |
+| 首页弱表格 | 固定 `articleinfo + abstract` 标题组合 | 元数据字段类别、独立正文区域与摘要角色；支持同义标题、中英文及左右互换。成功恢复的 HTML 表格优先，可信内部网格和不足的元数据证据阻止撤销。 |
+| 分栏 | 页面中线作为栏沟 | 复用重复文字边缘推断；为图旁短图注补充显式首行与对齐续行证据。图形、算法、标题、参考文献和块合并使用共同栏依据。 |
+| 参考文献与机构 | 固定半页区域、至少三个机构 | 按实际栏序处理开始/结束事件，同页附录或独立章节终止上下文；一个或多个机构由编号、机构角色及连续排版确认。 |
+| 页边图形 | 彩色、页边、无邻近编号即判图片 | 出版角色与装饰形结构，或跨页同时重复的结构签名和相对位置；数学编号、可读数学及分式证据优先。颜色不参与决定。出版页脚提前分类后仍保留其内部上下文区域。 |
+| 脚注 | 短标题、宽度与字号触发整组合并 | 区域标题角色、机构内容和行内编号连续性；独立起行编号仍拆条。首页通讯带限制在实际区域内，不能向邻栏或独立条目延伸。 |
+
+共享布局证据按分析阶段构建，文本成员改变后重新计算，不在文档之间复用可变对象。新函数和方法均有中文说明。
+
+## 兼容边界
+
+公共 API、ModelJson / MiddleJson 结构、块类型和 PDF renderer 不变。来源行、行框、字符索引及行内样式沿用原有链路；新增区域和图形签名只供内部使用。裁剪链和可见字符底层修复未修改。
+
+同一自然段为了避开图注可输出多个矩形块；内部几何断点不伪装成新自然段，也不新增公开段落 ID。现有 MiddleJson 连续性处理保持原契约。
+
+原测试要求脚注条目拆分函数完全不读取文本；本轮允许它读取通用角色证据，因此将该函数移出纯几何静态守卫。其他几何分类器仍受原守卫约束，新增机构标题和独立编号反例验证新的语义边界。
+
+## 泛化与反例验证
+
+最终相关全套 **1323 项通过**（189.03 秒），Ruff、格式检查和 `git diff --check` 通过。新增 `tests/unittest/test_flash_rule_generalization.py`，共 **67 项**：
+
+- 等长和不同长度变量替换、函数调用、正文排除，以及真实 PDF 经 `PdfModel.predict` 的编号二维公式恢复。
+- 左右镜像与一行、两行、多行宽尾；正文成员完整且唯一，几何拆块不设置语义段界。
+- 同义标题、中英文角色、短摘要、可信网格、字段不足与非首页反例。
+- 单栏、非对称双栏、三栏、通栏正文中的局部图注栏；同页参考文献转附录/后续章节。
+- 一到多个机构、连续机构脚注与明确独立编号条目的区分。
+- 彩色/黑色矢量公式、灰度/彩色字标、缺少出版上下文、数学编号优先，以及同位置不同结构的反例。
+- 0/90/180/270 度、等比例缩放和位置平移下的栏证据及公式成员保持。
+- 真实 FRAMES v1 的两处通栏段首强调及独立起行编号回归。
+
+水平图文环绕和首页面板继续面向原有水平方向；四方向变换用例覆盖共享栏证据和公式恢复，不表示新增了所有版式的任意旋转识别。
+
+## 真实样本与逐页裁决
+
+使用独立的 `3acfed2` checkout 重跑并冻结基线，而非使用历史缓存推断旧结果。
+
+- 第一轮 8 份、118 页、87 组标注及第二轮 6 份、98 页、31 组标注重放。
+- 历史 19 份、168 页逐页比较语义与几何指纹，**168 页全部不变**。
+- 人工样本仅 FRAMES v1 第 4、6 页出现变化，两页可见字母数字库存一致；原始内容、类型、样式和前后标框保留供复核。
+- 既有人工/历史金标未批量更新；新增两条具体变化裁决，前后差异使用 SHA-256 锁定。后续差异不匹配时仍显示待审。
+
+| 文档 / 页 | 视觉裁决 | 原因 |
+| --- | --- | --- |
+| FRAMES v1 / 4 | 接受 | `Human annotation.` 和 `Dataset Statistics.` 均为与后继正文同一物理行的粗体提示；撤销独立标题并合入正文，粗体保留，表格不变。 |
+| FRAMES v1 / 6 | 接受 | `(2) BM25-Retrieved Prompt` 在完整句尾后独立起行，恢复独立段；`(3)` 仍在行内，保持原段归属。 |
+
+已检查上述页面的原文和前后标框，并检查公共导出中的 Nougat 四个公式截图（含自定义标识符与完整求和上下限）、MMLU 完整选项图及 Nash 出版图形。
+
+## 公共入口与产物
+
+全部 8 份人工原件通过真实 `parse → MiddleJson → HTML / 图片资产` 导出：**118 页、110 项资产、解析诊断为空、HTML 图片引用全部有效**。公共导出未使用保留公式内部检测内容的测试辅助器。原有辅助器仅用于历史语义指纹检查。
+
+源码指纹、历史重放和公共导出指纹必须一致，最终值保存在 `output/pdf/flash-rule-generalization/verification.json`。
+
+验收入口：
+
+- `output/pdf/flash-rule-generalization/visual-review/index.html`：全部变化页、原页、前后标框和结构差异。
+- `output/pdf/flash-rule-generalization/exports/`：8 份原件的 HTML、MiddleJson 和资产目录。
+- `output/pdf/flash-rule-generalization/logs/`：全量测试、人工重放、历史重放和公共导出日志。
+- `tests/fixtures/flash_rule_generalization_review_decisions.json`：精确匹配前后差异的视觉裁决。
+
+### 重放
+
+使用用户指定环境，在仓库根目录运行：
+
+```sh
+PY=/Users/myhloli/projects/20240809magic_pdf/Magic-PDF/.venv1/bin/python
+$PY tools/review_flash_annotations.py --output output/pdf/flash-rule-generalization/current-manual
+$PY tools/review_flash_regression.py --output output/pdf/flash-rule-generalization/current-history --compare-to output/pdf/flash-rule-generalization/baseline-history
+$PY tools/review_flash_round2.py --manifest tests/fixtures/flash_manual_annotations.json --output output/pdf/flash-rule-generalization/exports
+$PY tools/review_flash_generalization.py --decisions tests/fixtures/flash_rule_generalization_review_decisions.json
+$PY -m pytest tests/unittest/test_flash_pdf_*.py tests/unittest/test_flash_rule_generalization.py tests/unittest/test_flash_manual_annotations.py tests/unittest/test_flash_round2_annotations.py tests/unittest/test_pdf_document.py tests/unittest/test_pdf_object_clipping.py tests/unittest/test_pdf_text_dedup.py tests/unittest/test_native_pdf_table*.py tests/unittest/test_pdf_visualization.py tests/unittest/test_pdf_text_styles.py -q
+```
+
+## 保守边界
+
+规则仍是有适用条件的结构启发式，不承诺识别任意排版。角色词覆盖常见中英文术语；完全不可读的矢量对象在数学与装饰证据均不足时保留原通用分类。缺少稳定栏证据时不新增跨栏认领。没有引入 OCR、VLM、具体出版社词典或新的论文特例。

docvortex-0.4.8/docs/flash-spatial-layout-followup-2026-09-16.md

@@ -0,0 +1,48 @@
+# Flash 标题与段落成员补充修复验收
+
+## 结果
+
+本轮完成 9 组补充标注：fix P10 的附录 E 是完整的双行 `paragraph_title`；dual_caption P5、P10、P12、P15 指定的 7 处小字号粗体标题全部提升，P15 的双行标题保持一个块；dual_caption P10 的 `Prescribing` 完整、唯一地归于下一段，上一段止于 `day.`，两段行框和块框不再共享该行。
+
+同一规则还自然恢复了 9 个同类标题。两份原件共有 12 个变化页，均对照原文、修改前及修改后标框逐页接受。生产规则不使用文件名、页码、块号、论文原句或特定字体名称。
+
+- 逐页画廊：`output/pdf/flash-round3-followup/final/index.html`
+- 两份完整导出：`output/pdf/flash-round3-followup/exports/`（HTML、MiddleJson、图片、资产包）
+- 逐项裁决：`tests/fixtures/flash_round3_followup_review_decisions.json`
+
+## 实现与成因
+
+多行标题使用后继正文重复左右缘作为额外的局部居中参照。同一物理行的字体碎片先按基线聚合，首行和列表缩进不决定栏中心；保留原有未知字重和跨页重复排版要求。
+
+小字号标题单独使用相对字号、可靠字重、上下独立留白、后继正文和容器排除证据。已确认的标题行组通过内部 `title_band_id` 传递给语义行连接，避免分类后重新拆开。该字段不进入公共协议。
+
+段首恢复只对具有共同物理行身份、同字体、同栏和后继整行支持的连续文字放宽空格距离。空间合并复用统一成员合并函数，完整传递 `_text_lines`、内容和几何元数据，解决旧实现只合并内容及框、随后又从不完整成员重建内容造成的漏词。
+
+## 回归与裁决
+
+- **1480 项测试通过**，耗时 206.37 秒；包含新增的 35 项标题、成员守恒、数值列保护及真实样本检查。针对性检查单独运行 **200 项通过**。
+- 历史 **19 份／168 页**相对本次冻结基线零变化。
+- 第一轮 **8 份／118 页**相对本次冻结基线零变化；第二轮 **6 份／98 页**包含其中，不累计为额外独立覆盖量。
+- 首个候选曾把 nougat P17 小表格的标签和百分数列连入一组，造成两条比较记录合并。对照原页后拒绝此变化，通过排除数值列的宽空格放宽修复，并增加合成与原件反例；未更新旧基线。
+- 最终两份 41 页原件的非空白文本差异仅为恢复 `Prescribing`，未删除其他字符。另以源成员集合、唯一归属、行框和公共段落边界断言验证，避免仅比较旧输出遗漏已有缺字。
+- 公共 `parse → MiddleJson → HTML／资产包` 全链路通过，34 个资产均可解析，缺失图片和解析诊断为空。浏览器确认附录 E 和小标题的标题层级、完整双行标题，以及独立的 `Prescribing` 段落。
+- 21 个修改或新增 Python 文件通过 Ruff、格式检查，`git diff --check` 通过。
+
+## 冻结与重放
+
+冻结的是上一轮未提交源码及其输出，而非仅 Git HEAD。源码指纹 `1533f54963374b15a3cb18ff581f594a1a75fdc9eea47e88ee44cbddbf6988f8` 已与 `baseline-code/src` 逐文件核对；原输出保存在 `output/pdf/flash-round3-followup/baseline/`。本轮最终源码指纹为 `d9a40dab073789eafc52b25fd2fc5771ae0ccc930b44222735eac7c4310f774c`，画廊、历史重放和公共导出记录一致。
+
+```sh
+PY=/Users/myhloli/projects/20240809magic_pdf/Magic-PDF/.venv1/bin/python
+PYTHONPATH=src "$PY" tools/review_flash_round3.py --baseline output/pdf/flash-round3-followup/baseline/final --output output/pdf/flash-round3-followup/final
+PYTHONPATH=src "$PY" tools/review_flash_annotations.py --output output/pdf/flash-round3-followup/final-manual
+PYTHONPATH=src "$PY" tools/review_flash_regression.py --output output/pdf/flash-round3-followup/final-history --compare-to output/pdf/flash-round3-followup/baseline/accepted-history
+PYTHONPATH=src "$PY" tools/review_flash_round2.py --manifest tests/fixtures/flash_round3_annotations.json --output output/pdf/flash-round3-followup/exports
+PYTHONPATH=src "$PY" -m pytest tests/unittest/test_flash_pdf_*.py tests/unittest/test_flash_rule_generalization.py tests/unittest/test_flash_manual_annotations.py tests/unittest/test_flash_round2_annotations.py tests/unittest/test_flash_round3_annotations.py tests/unittest/test_flash_spatial_evidence.py tests/unittest/test_pdf_document.py tests/unittest/test_pdf_object_clipping.py tests/unittest/test_pdf_text_dedup.py tests/unittest/test_native_pdf_table*.py tests/unittest/test_pdf_visualization.py tests/unittest/test_pdf_text_styles.py tests/unittest/test_postprocess_paragraphs.py -q
+```
+
+仍位于 `codex/flash-spatial-layout-round3`，未提交或推送；结果为指定本地 macOS／Python／PDFium 运行时的验收，未运行远端 CI。本轮没有新增公共参数或输出类型。
+
+## 后续栏首及长标题补充
+
+P8 与 P11 的剩余两处标题已修复，详见 [栏首与近满栏小标题验收](flash-title-coverage-2026-09-16.md)。

docvortex-0.4.8/docs/flash-spatial-layout-round3-2026-09-16.md

@@ -0,0 +1,76 @@
+# Flash 原生 PDF 空间布局：第三轮修复与验收
+
+## 范围与证据
+
+基于 `a8511caa6615fcf479a2b861061b4633ae1eef5f`，开发分支为 `codex/flash-spatial-layout-round3`。两份原件共 41 页、25 个重点页、36 组人工标注。源文件和原始块锚点保存在 `tests/fixtures/flash_round3_annotations.json`，断言不依赖修复后的块编号。
+
+- `journal_dual_caption.pdf`：20 页；SHA256 `ae9ee7db89a1ff23f9be8ecdb4ae70596ad1e3eec78c1d370f562a4aad3aa5ec`。
+- `quantum_appendix_layout.pdf`：21 页；SHA256 `6f393579aacfb8119f92790e565d539856e21d901f683147d242daefd6d094bb`。
+- 原页／修改前／修改后画廊：`output/pdf/flash-round3/final/index.html`。
+- 公共接口导出：`output/pdf/flash-round3/final-exports/`，每份文档包含 HTML、MiddleJson、图片资产及 ZIP。
+- 修改前代码的完整源码指纹为 `e5ddd06fdb910bfcb83e316e42c36b58bfb8d51baac2682f68d919be183434c6`，已与独立的只读基准 checkout 核对。
+
+## 实现
+
+1. **参考文献和局部分栏**：使用连续编号的稳定左缘确定参考区域的横向和纵向范围，支持无 References 标题、齐平或悬挂续行。局部标题限定区域起点；只有具有独立留白的章节标题才能终止区域。作者年代式条目的年份不充当编号。混合栏页上方正文独立排序，避免上标的微小高度差让右栏先读。
+2. **标题和段落**：限制正文原型对满栏连续行的提升及标题邻行传播；多行未知字重标题增加居中对齐证据。首页独立标题带和出版日期带支持文档标题及编号机构识别。同行碎片依据同栏、基线、后继整行支持恢复；段内数学前缀按成员而非外接框认领。
+3. **公式**：在原有检测结束后补齐独立数学带及右侧／右下编号，只扩充不完整区域。完整公式沿用原有结果。短标记必须有包围结构，百分数及全角百分数不能作为编号；正文短句、栏沟及表格为屏障。保留既有行内数学回退成员，不因其已被正文认领而删除。
+4. **表注与图例**：以表内规则行的结束位置分离外框包住的表注，表格恢复和投影共用收缩后的表体范围。从紧邻图片的独立图编号恢复破碎说明，完整图注不再次扩展。图例先恢复药名—符号物理行，再按分类和重复栏左缘组织阅读顺序，统一归属图片的图注释。
+5. **公共转换**：临时参考条目起点及段界证据传入页面合并阶段；新编号和已确认段界禁止续接，跨栏／跨页参考续项可保留 `continues_prev`。临时字段在 PageInfo 对象化前移除，不新增公共参数或块类型。
+
+生产规则没有新增文件名、页码、块号、论文原句或特定字体名称判断。新增函数均有中文说明。
+
+## 回归裁决
+
+没有通过更新旧基线消除失败。下列候选变化均通过规则收紧解决，审阅过程的失败图像仍保留在输出目录：
+
+| 回归证据 | 裁决与处理 |
+| --- | --- |
+| `current-history/demo2/page-03-after.png`：短正文 `is given by` 被吸入公式 | 扩展短正文屏障，并把数学带恢复放在既有检测之后，完整公式不重建。 |
+| `current-history/caibao1/page-02-after.png`：并列图片的图注归属和顺序改变 | 图注恢复入口限定为独立编号及其尚未归组的说明带；已有完整图注沿用原流程。 |
+| 作者年代式参考文献被按年份重新分条；参考上下文侵入附录 | 编号模式与传统悬挂条目分组分开，仅对可靠编号区域提前保护；保留附录终止及脚注排除规则。 |
+| `refined2-history/中文论文4/page-02-after.png`：正文中的行内数学内容缺失 | 区分原先用于正文恢复的已认领成员和新公式补全成员，保留前者；增加全角百分数反例。 |
+| `frames_v1/v2` 附录数字列表吸入下方图说明 | 作者年代式跨页状态不激活数字参考模式；普通编号仍作为传统分组边界，保留原基线并增加四页反例。 |
+| `fix.pdf` 参考条目内部的斜体行被当成区域终点 | 终点必须具有独立留白；真实样本同时检查条目数、条目完整性和无假标题，不能只数编号。 |
+
+两个临时字段 `_reference_start`、`_paragraph_boundary` 不进入旧可见内容指纹；只排除这两个明确字段，没有放宽类型、内容、顺序或 bbox 校验。其行为由公共页面转换测试单独断言，包括跨页数字开头续项、新编号不续接、图例归属和私有字段清理。
+
+## 重放
+
+使用用户指定的 `.venv1`，在仓库根目录执行：
+
+```sh
+PY=/Users/myhloli/projects/20240809magic_pdf/Magic-PDF/.venv1/bin/python
+PYTHONPATH=src "$PY" tools/review_flash_round3.py
+PYTHONPATH=src "$PY" tools/review_flash_round2.py --manifest tests/fixtures/flash_round3_annotations.json --output output/pdf/flash-round3/final-exports
+PYTHONPATH=src "$PY" tools/review_flash_regression.py --output output/pdf/flash-round3/accepted-history --compare-to output/pdf/flash-round3/baseline-history
+PYTHONPATH=src "$PY" tools/review_flash_annotations.py --output output/pdf/flash-round3/accepted-manual
+PYTHONPATH=src "$PY" -m pytest tests/unittest/test_flash_pdf_*.py tests/unittest/test_flash_rule_generalization.py tests/unittest/test_flash_manual_annotations.py tests/unittest/test_flash_round2_annotations.py tests/unittest/test_flash_round3_annotations.py tests/unittest/test_flash_spatial_evidence.py tests/unittest/test_pdf_document.py tests/unittest/test_pdf_object_clipping.py tests/unittest/test_pdf_text_dedup.py tests/unittest/test_native_pdf_table*.py tests/unittest/test_pdf_visualization.py tests/unittest/test_pdf_text_styles.py tests/unittest/test_postprocess_paragraphs.py -q
+```
+
+逐项裁决和最终运行结果见 `tests/fixtures/flash_round3_review_decisions.json`。公式继续使用现有图片资产路径；本轮不处理原 PDF 的错误字符映射或引入数学内容识别。
+
+## 最终验收结果
+
+- **1445 项测试通过**，耗时 198.50 秒；日志：`output/pdf/flash-round3/accepted-tests.log`。19 个修改／新增 Python 文件通过 Ruff 和格式检查，`git diff --check` 通过。
+- 两份新文档 **41 页**全部重放，**36 组标注**通过针对性结构测试及视觉审阅；画廊覆盖 **25 个标注页与 2 个额外变化页**。额外变化为第一份 P12 短尾接回同段、fix P7 附录标题与正文分离。
+- 历史 **19 份／168 页**可见内容、类型、顺序和块框指纹均与修改前一致。
+- 第一轮 **8 份／118 页**中 114 页一致，4 页变化逐项接受，见下表。第二轮 **6 份／98 页**是上述完整文档的子集，已全部覆盖；不将重叠页累加为独立覆盖量。
+- `parse → MiddleJson → HTML／资产包` 已完成，两份导出共 34 个资产，缺失图片和解析诊断均为空。浏览器检查了正文标题、图例分组阅读顺序及图片加载。公式仍使用原生裁图，不改变数学内容识别方式。
+- 对原生正文、图注、表格及公式检测内容进行非空白字符守恒核对；仅第一份 P5、P17 和 fix P20 共四处行末连字符随正常断词连接被移除，无其他非空白字符丢失或新增。
+- 未修改原有测试金标。以下四页是完整重放产生的自然改善，已保存旧／新指纹和逐项接受理由；拒绝的候选变化通过收紧规则恢复原基线。
+
+| 文档／页 | 接受理由 |
+| --- | --- |
+| fornax P1 | 独立双行主标题由 `paragraph_title` 恢复为 `doc_title`，作者和机构顺序保持。 |
+| mmlu_redux P13 | 独立加粗的 Checklist 由正文恢复为段落标题。 |
+| k2_treap P3 | 保留行内区间右括号对应的原生映射字符，避免与后继正文粘连；不做字符替换。 |
+| k2_treap P9 | 保留行内矩阵维数右括号对应的原生映射字符；块框和阅读顺序不变。 |
+
+既有语料变化页与恢复旧基线的页面对比：`output/pdf/flash-round3/manual-visuals/index.html`。全部裁决（包括源码、原件及页面指纹）保存在 `tests/fixtures/flash_round3_review_decisions.json`。
+
+本次结果为指定 macOS／Python／PDFium 运行时的本地验收；未执行远端 CI，未提交或推送。原 PDF 的字符映射错误仍沿用原有处理，本轮没有引入 OCR／VLM。
+
+## 后续补充验收
+
+用户新增的标题与段落成员问题已在补充轮完成，见 [补充修复验收](flash-spatial-layout-followup-2026-09-16.md)。本报告保留第一轮实现时的验证记录。

docvortex-0.4.8/docs/flash-title-coverage-2026-09-16.md

@@ -0,0 +1,25 @@
+# 栏首与近满栏小标题补充验收
+
+已修复 dual_caption P8 块1（Altered Protein Metabolism）和 P11 块10（Cyproheptadine and Other Antiserotonergic Drugs）。两者均输出为 `paragraph_title`，最终 HTML 均为一个 h2。
+
+## 原因与通用修复
+
+- P8 标题为栏内第一行，原规则因没有上一行而直接跳过。现在允许缺少上方正文，但要求位置与全页正文区顶部相符；页眉不参与上方正文判定，字体、字重、下方留白及真实后继正文等条件仍保留。
+- P11 标题约占局部正文宽度 95%，被 90% 固定比例上限排除。现在使用标题是否落在实际栏左右边界内判断，右边允许半个正文行高的几何误差；越栏标题不能通过。
+- 没有增加文件名、页码、块号、原句或字体名称条件。新增 24 个合成正反例，独立改变栏宽、字号和位置，覆盖栏首、长标题、越栏与侧栏中部情形；新增两处原件断言。
+
+## 验收
+
+**1506 项测试通过**（230.72 秒），其中针对性检查 123 项通过。Ruff、格式和差异检查通过。
+
+两份原件 41 页仅上述两个块改变类型，全部文字和块框保持不变。第一轮 8 份／118 页与历史 19 份／168 页相对本次冻结基线均零差异；第二轮 6 份／98 页包含在第一轮完整文档中，不累计覆盖量。未更新旧基线。
+
+完整解析、MiddleJson、HTML 和资产包重放通过；两个导出共 34 个资产，无缺失图片或解析诊断。原页与前后标框已审阅，浏览器确认两个 h2。
+
+- 两页对比：`output/pdf/flash-title-coverage/final/changes.html`
+- 完整画廊：`output/pdf/flash-title-coverage/final/index.html`
+- 导出：`output/pdf/flash-title-coverage/exports/`
+- 裁决：`tests/fixtures/flash_title_coverage_review_decisions.json`
+- 测试日志：`output/pdf/flash-title-coverage/tests.log`
+
+修改前未提交代码和输出已冻结于 `output/pdf/flash-title-coverage/baseline-code/` 与 `baseline/`，源码指纹与上一轮验收记录核对一致。本轮仍在 `codex/flash-spatial-layout-round3`；未提交、推送或运行远端 CI。