在科學文獻分析中，從圖表中自動提取資料是一項關鍵任務，它能夠極大地加速科研發現的過程。然而，科學圖表的高度非標準化使得這一任務充滿了挑戰。近年來，多模態大語言模型（LLM）的興起為圖表理解開闢了新的可能性，但其在真實世界圖表上的表現仍不盡如人意。針對這一問題，一項發表於arXiv的新研究（論文編號：2605.08220）系統比較了兩種截然不同的策略：高層語義提示與低層空間先驗，試圖找出最有效的改進途徑。
研究團隊由Andrei Lazarev等三位作者組成，他們於2026年5月6日提交了該論文。在實驗中，他們首先探索了多種語義提示方法，包括一種兩階段的後設資料優先框架以及思維鏈（Chain-of-Thought）推理。後設資料優先方法要求模型首先識別圖表的元資訊（如座標軸標籤、圖例和標題），然後再基於這些資訊提取具體的資料點。思維鏈則引導模型進行逐步的邏輯推理。然而，在合成資料集上的定量評估顯示，這些語義方法並未帶來統計上顯著的效能提升。
與此形成鮮明對比的是一種簡單卻極為有效的空間先驗方法：在將圖表影像輸入模型之前，先在其上疊加一個座標網格。這種做法為模型提供了顯式的二維空間參考，從而使其能夠更精確地定位和讀取資料點。實驗結果令人印象深刻：採用網格疊加後，資料提取的對稱平均絕對百分比誤差（SMAPE）從基線模型的25.5%大幅下降至19.5%，降幅達到6個百分點，且統計檢驗顯示p值小於0.05，表明這一改進具有顯著的統計意義。
研究結論明確指出，對於當前一代的多模態大語言模型而言，提供顯式的空間上下文比依賴高層語義指導更加有效和可靠。這一發現不僅為圖表資料提取領域提供了重要的方法學啟示，也對實際應用中的提示策略設計具有指導意義——優先考慮結構化空間資訊可能比單純追求語義引導更有利於模型效能。未來研究可以進一步探索該方法在多樣化圖表型別上的泛化能力，以及與其他預處理技術（如圖表去噪或目標檢測）的協同作用。