在科学文献分析中，从图表中自动提取数据是一项关键任务，它能够极大地加速科研发现的过程。然而，科学图表的高度非标准化使得这一任务充满了挑战。近年来，多模态大语言模型（LLM）的兴起为图表理解开辟了新的可能性，但其在真实世界图表上的表现仍不尽如人意。针对这一问题，一项发表于arXiv的新研究（论文编号：2605.08220）系统比较了两种截然不同的策略：高层语义提示与低层空间先验，试图找出最有效的改进途径。
研究团队由Andrei Lazarev等三位作者组成，他们于2026年5月6日提交了该论文。在实验中，他们首先探索了多种语义提示方法，包括一种两阶段的元数据优先框架以及思维链（Chain-of-Thought）推理。元数据优先方法要求模型首先识别图表的元信息（如坐标轴标签、图例和标题），然后再基于这些信息提取具体的数据点。思维链则引导模型进行逐步的逻辑推理。然而，在合成数据集上的定量评估显示，这些语义方法并未带来统计上显著的性能提升。
与此形成鲜明对比的是一种简单却极为有效的空间先验方法：在将图表图像输入模型之前，先在其上叠加一个坐标网格。这种做法为模型提供了显式的二维空间参考，从而使其能够更精确地定位和读取数据点。实验结果令人印象深刻：采用网格叠加后，数据提取的对称平均绝对百分比误差（SMAPE）从基线模型的25.5%大幅下降至19.5%，降幅达到6个百分点，且统计检验显示p值小于0.05，表明这一改进具有显著的统计意义。
研究结论明确指出，对于当前一代的多模态大语言模型而言，提供显式的空间上下文比依赖高层语义指导更加有效和可靠。这一发现不仅为图表数据提取领域提供了重要的方法学启示，也对实际应用中的提示策略设计具有指导意义——优先考虑结构化空间信息可能比单纯追求语义引导更有利于模型性能。未来研究可以进一步探索该方法在多样化图表类型上的泛化能力，以及与其他预处理技术（如图表去噪或目标检测）的协同作用。