RAG 喂整页还是裁细节？一篇建筑文档论文测了 160 遍，答案不是二选一

做过文档类 RAG 应用的人，大概率都纠结过一个具体问题：一个 PDF 页面送进多模态模型之前，到底该给它看整页概览，还是把关键区域裁成小图喂进去？整页信息全但分辨率低，小图看得清但容易断上下文。我见过不少人直接「都扔进去让模型自己挑」，心里其实没底。

最近 arXiv 上挂出来一篇建筑文档审查方向的论文，标题叫《Evidence-Grounded Constraint Checking in Construction Documents》，作者 Rashid Mushkani、Hugo Berard 和 Shin Koseki。它没在产品发布会上画饼，也没端出一个碾压一切的 benchmark，而是老老实实测了一个非常具体的问题：当你要从 PDF 里找证据来核验建筑规范约束时，视觉信息的分配方式——看整页还是看局部特写——到底怎么影响判断准确率？

结果是：看情况。而且情况比一刀切复杂得多。

论文设计了一套证据约束检查管线，先把 PDF 中的事实抽取出来做规范化，然后用四态规则做确定性执行，同时保留原文来源跨度，解决不了的就升级给人工。他们拿这套管线在 29 个建筑项目的 160 个参考任务上做了评测，用了两套测试设计：一套是重复的四系统测试，一套是不重叠的两系统广度扩展测试。

关键发现出现在第一套测试里。把分配给每个问题的四张图片预算，从四张整页概览调整为「一张概览加三张重叠局部切片」之后，项目族标准化决策准确率提升了 10.6 个百分点（95% 置信区间: 4.3–18.0，精确 p=0.031）。这个数字看着不错，p 值也过了显著性门槛，乍看像是「裁图更好」的实锤。

但第二套测试里，同样用区域聚焦策略——论文里叫 Region-RAG——准确率反而掉了 4.1 个百分点（95% 置信区间: -10.2 到 1.9，精确 p=0.209）。这个结果不显著，但方向已经是反的了。用同等的图片数量做公平对比时，整页概览反而占优。

也就是说，同一个策略，在更受控的实验设置里有效，放到更多样的任务集合里反而拖后腿。论文没有掩饰这一点，它直接给出了几个不太好听的数字：精确的发现集恢复率仍然很低，错误通过（false pass）普遍存在，重复运行之间的一致性校准也很差。

这其实比「某个方法吊打一切」的结论有力得多。它说清楚了一件事：多模态 RAG 里的「分辨率 vs 视野」是一个真实的 trade-off，不存在一刀切的答案。对某些类型的约束检查——比如需要比对细部尺寸标注和局部构造做法——切片特写确实帮得上忙；但对更多需要理解页面整体布局、上下文衔接和跨区域关系的任务，整页概览的广度更重要。

论文最后给的建议也很老实：不要盲目上 Region-RAG，要按规则类型做证据路由（rule-aware evidence routing），而且专家审查环节不能省。

这其实点到了多模态 RAG 当前的核心矛盾：模型看局部看得更清楚了，但看全局的能力没有同步跟上。你不能既想让它放大看焊缝细节，又指望它不忽略整张图纸的图例说明。做产品落地的人应该能从这篇论文里读出两层意思：一是视觉证据分配本身就是需要设计的策略空间，不是「把图丢进去就行」；二是目前没有银弹，混合策略和人工兜底在一段时间内仍是必需品。

另外，这篇论文 2026 年 7 月 31 号才提交，11 页正文 3 张图 4 张表，篇幅克制，论证扎实。如果你也在做文档审查类的工具或者多模态 RAG 的策略设计，值得抽半小时看看 PDF 全文——它给的不是一个爽快结论，而是一个更诚实的工程坐标系。