2026 CVPR | RAG 分塊還在"按字數硬切"？M3DocDep：先給文檔算清"家譜

在檢索增強生成（RAG）的實際應用中，文件該如何進行有效分塊，始終是影響檢索品質的核心挑戰之一。傳統做法大多依賴「按字數硬切」的原則，也就是根據固定的 token 數或字元數來切割文件。這種方式雖然簡單直接，卻經常讓同一段落被攔腰截斷，或讓圖表與其說明文字分別落入不同區塊，導致語意連貫性嚴重受損。尤其在處理結構複雜的文件時，這種「一刀切」的做法往往讓後續的檢索模型抓取到破碎、不完整的資訊，最終影響問答與生成任務的準確度。針對這項長期困擾產業界的痛點，即將在 2026 年電腦視覺與模式識別大會（CVPR）上發表的論文《M3DocDep》提出了一套截然不同的解決思路。

研究團隊認為，與其在不了解文件結構的情況下強行切割，不如先幫文件建立一份完整的「家譜樹」，還原其內在的層級組織。這份家譜樹的核心目標，是讓所有元素之間的主從與從屬關係一目了然——誰屬於哪一章節、哪一段落由哪個子標題管轄、插圖與表格究竟歸屬於哪一段文字說明。換句話說，M3DocDep 在進行分塊之前，會先將整份文件解析成一棵全局合法的樹狀圖譜。這棵樹不僅記錄了標題、段落、圖表等基本元素的位置，更清楚標示出它們之間的邏輯歸屬。例如，一張產品示意圖可能屬於某一節的技術說明，而該節又上層歸屬於某個章節；透過這棵樹，所有元素的上下文邊界都被重新界定。

研究人員強調，這種「先理解文件格局，再決定如何下刀」的設計思路，從根本改變了過去盲目切割的做法。在完成樹狀圖譜的建構後，M3DocDep 會沿著這棵樹的枝幹進行切割。每一個分塊本身就是語意上完整、邏輯上自足的單位——不會再出現「一段話的上半身在 A 區、下半身在 B 區」的窘境。這意味著，無論是文字段落、表格說明，還是圖片註解，都能被保留在同一個分塊中，維持其原本的敘述脈絡。對於需要處理大量技術文件、學術論文或產品手冊的 RAG 系統來說，這項改進將顯著提升檢索的精準度。傳統固定長度分塊之所以為人詬病，在於它完全不考慮文件的內在結構。

一份文件可能包含多層次的標題、附註、引用、圖表等，這些元素之間的關聯往往跨越固定的字數邊界。以一份技術白皮書為例，某個章節的圖表說明可能只有短短幾行，卻被硬生生分到兩個不同的檢索區塊；模型在檢索時，只能抓到其中一半的資訊，導致生成的回答出現斷裂或誤解。M3DocDep 則透過先建立層級關係，確保這類情況不再發生。值得注意的是，M3DocDep 的解決方案並非單純依賴版面分析，而是結合了文件內容的邏輯理解。研究團隊在論文中描述了如何利用文檔中的標題層級、字體大小、列表格式、圖表編號等線索，自動推導出完整的樹狀結構。

這個過程類似於人類在閱讀文件時，會不自覺地根據章節標題、段落縮排、圖表位置來建立心智模型。M3DocDep 嘗試將這個認知過程量化，讓機器也能具備類似的「文件格局感」。從實務角度來看，M3DocDep 的出現為 RAG 系統的文件預處理環節提供了全新的選擇。過去，開發者往往需要在分塊大小與語意完整性之間妥協——塊切得太大，檢索效率下降；塊切得太小，資訊破碎嚴重。如今，藉由先建立家譜樹再切割，系統可以在不犧牲檢索速度的前提下，獲得語意更加完整的分塊。這對於需要即時回應大量查詢的企業級應用，如客服機器人、內部知識庫、學術搜索平台等，將帶來直接效益。

論文作者進一步指出，M3DocDep 的設計不僅適用於純文字文件，也能處理包含大量圖表、公式、註解的複合型文檔。在實際測試中，該方法對包含多欄排版、浮動圖片的 PDF 文件同樣表現穩定。研究團隊特別強調，這套方法的通用性來自於它對文件「層級合法性」的堅持——只要文件存在明確的結構線索，M3DocDep 就能重建其完整的樹狀關係。當然，M3DocDep 並非全無挑戰。對於結構極度混亂、缺乏明確標題層級的文件（例如某些網頁或掃描品質不佳的 PDF），家譜樹的建構準確度可能會受到影響。不過研究團隊表示，他們在論文中設計了多項容錯機制，能夠在部分線索不明確的情況下，仍維持一定的分塊品質。

未來也將持續優化演算法，以應對更多樣化的文件格式。整體而言，M3DocDep 為文件預處理領域帶來了一股新思維：與其被動地依照字數切割，不如主動還原文件的「家譜」結構，讓分塊回歸到語意連貫的本質。這項研究預計在 2026 年 CVPR 大會上正式亮相，屆時將公開詳細的演算法與評測數據。對於正在尋找更優雅分塊策略的開發者與研究人員來說，M3DocDep 無疑提供了一個值得關注的方向。隨著 RAG 技術在各行各業的滲透率持續提高，文件預處理的品質將直接影響最終應用成效。從固定長度切割到結構感知分塊，M3DocDep 的出現標誌著這個領域正從「粗放管理」邁向「精細理解」的階段。

未來，當更多文件能夠被正確解析成語意完整的區塊，檢索增強生成的表現也將更貼近人類的閱讀與思考模式。