直通处理（STP）要求在无需人工复核的情况下，对从金融文档中提取的键值对提供校准的概率，并对自动批准层的残余错误给出有界保证。现代视觉语言模型（VLM）能够直接提取键值，但其口头化的置信度信号不可靠，且与字段正确性关联薄弱。本文提出了一种分解置信度层，沿感知、布局和验证三个可解释通道进行评估，并结合最终的共形风险控制，使得得分可用于可靠的金融文档 STP。该方法在三个公开数据集上进行验证，覆盖真实发票、合成发票和广告投放表单，使用两类 VLM（Qwen3.6-27B 与 Gemini-3.1-Flash-Lite）。分解得分始终提升正确与错误提取的区分度，将 AUROC 从 VLM 口头信号的 0.54‑0.74 提升至 0.90‑0.99，三通道均有贡献。对工业部署而言，这意味着在目标错误率下，原生 VLM 置信度只能清除 0.1%‑7.0% 的字段，而本文方法可实现可用的 STP。
点评：该方法通过多模态信号的解耦与风险控制，实现了金融文档的高置信度自动化处理，具备工业落地潜力。