多模态大语言模型（LLM）正被用于从金融文档中结构化提取信息，但在视觉模糊情况下的行为尚不清楚。本文聚焦 CARLAR（Courtesy Amount Recognition and Legal Amount Recognition）现象：模型在支票的两字段上返回相同金额，即使它们的标注不同，甚至在空白标注被编码为零时仍如此。我们在十种视觉提示条件下，对 GPT‑4.1 与 Claude 4.5 Sonnet 在 243 张主支票（其中 124 张出现不等额）以及来自两套额外数据集的 598 条严格不匹配进行评估。
在礼貌遮蔽（courtesy redaction）条件下，GPT‑4.1 的 CARLAR 发生率达到 73.7%（95% bootstrap 区间：68.3‑79.0，p<0.001），显著高于基线。模型报告的置信度在预测一致时仍保持较高，CARLAR 案例的期望校准误差（ECE）为 0.93。
我们进一步测试一种压缩图像少样本干预：将示例以单张视觉表格呈现，无需模型微调。在 243 案例的整体数据上，Claude 的控制条件将配对联合提取准确率提升 11.5个百分点（95% 区间：6.2‑16.9，adjusted p=0.00054），但在严格的 124 条不等额子集上提升幅度较小，且经校正后不显著。该干预对预测字段一致性的影响呈模型依赖性：对 Claude 下降，对 GPT‑4.1 上升。
这些结果表明，在多模态结构化提取任务中，需要考虑视觉上下文以及字段之间的依赖关系，设计更可靠的验证方法。
点评