段落顺序和原文对不上时，先别急着调模型参数：判断的依据是同一页在只改图像条件时，顺序结果会不会跟着变。如果换成更清晰、更干净、切边更规整的图后乱序位置改变，问题偏向图像质量；如果顺序错乱的位置几乎不动，只是随版面复杂度出现，问题偏向版面阅读序推断。这两条线要分开跑，混在一起调通常越调越乱。

段落错乱大多先在版面上表现出来：双栏、侧栏注解、图文环绕三类页面最容易在阅读序上分叉；图像质量多数时候是放大器，把本来就脆弱的版面推向失败。可先固定一批人工标注过阅读序的样张，用对照脚本把错位打印成行号，再把分辨率、去噪分别作为单独变量各跑一遍。只有顺序结果随图像变量改变时，才把原因归到图片质量上；否则按版面类型处理。

固定一批有阅读序差异的样张

目的是让顺序问题可复现。从业务文档里挑出三类页面各若干页：等宽双栏（含跨栏标题）、正文加侧栏注解或边注、图片被文字环绕的图文混排页。每页同时保存原图和一份人工标注文件，标注内容就是原文段落按阅读顺序逐行抄写，一行一段，不要改写措辞、不要合并段落——标注文本必须能和解析输出逐段对上，否则后面的比对全是噪音。

目录建议这样放，方便脚本按编号配对：

samples/
  page_017.png        # 原图，保留原始扫描分辨率
  page_017.meta.txt   # 记录：页宽像素、栏数、DPI、版面类型
  gold/page_017.txt   # 人工标注的阅读顺序，一行一段

.meta.txt 里的页宽和栏数是后面归纳触犯条件的唯一依据，随手记一下比事后回看图片可靠。验证方式：随机抽两页，按标注顺序朗读一遍，确认标注本身没有跳段。

写一个段落顺序对照脚本

目的是把“看着乱”变成可打印的行号。脚本只依赖两样东西：解析输出的段落文本与段落坐标，以及人工标注的顺序。下面的骨架用占位字段名 blocks／text／bbox，请替换成你实际导出文件里的字段；如果没有坐标，把 bbox 留空即可，文本比对仍然有效。

import json, sys

def load_parsed(path):
    data = json.load(open(path, encoding="utf-8"))
    blocks = data.get("blocks") or data.get("paragraphs") or []
    out = []
    for i, b in enumerate(blocks):
        out.append({
            "idx": i,
            "text": (b.get("text") or "").strip(),
            "bbox": b.get("bbox"),   # [x0,y0,x1,y1]，没有就为 None
        })
    return out

def load_gold(path):
    return [l.strip() for l in open(path, encoding="utf-8") if l.strip()]

def norm(s):
    return "".join(s.split())

def check(parsed, gold, head=10):
    pos = {}
    for b in parsed:
        pos.setdefault(norm(b["text"]), b["idx"])
    seq = []
    for ln, g in enumerate(gold, 1):
        key = norm(g)
        idx = pos.get(key)
        if idx is None:  # 退化为前缀包含匹配
            cand = [b["idx"] for b in parsed if key[:head] and key[:head] in norm(b["text"])]
            idx = cand[0] if len(cand) == 1 else None
        if idx is None:
            print(f"[未匹配] 标注第 {ln} 段：{g[:24]}")
        seq.append((ln, idx))
    prev = None
    for ln, idx in seq:
        if idx is None:
            continue
        if prev is not None and idx < prev:
            print(f"[乱序] 标注第 {ln} 段 → 解析第 {idx} 段（上一段为解析第 {prev} 段）")
        prev = idx
    return seq

if __name__ == "__main__":
    parsed = load_parsed(sys.argv[1])
    gold = load_gold(sys.argv[2])
    check(parsed, gold)

运行方式与验证：python check_order.py out/page_017.json samples/gold/page_017.txt。先用一页你确认顺序完全正确的单栏页跑一遍，输出应当只有未匹配提示、没有乱序行；这就是基线。之后每页的乱序行号集合，就是后面归因时比较的对象。注意脚本不判断对错原因，只报位置，别在脚本里加推断逻辑。

把图像质量变量单独跑一遍

目的是确认顺序结果对图像条件是否敏感。对同一页生成几个变体再跑，保持版面不变，只改分辨率与去噪：

python - <<'PY'
from PIL import Image, ImageFilter
src = Image.open("samples/page_017.png").convert("L")
w, h = src.size
for scale, name in [(1.0, "r100"), (0.6, "r60"), (0.4, "r40")]:
    src.resize((int(w*scale), int(h*scale))).save(f"tmp/page_017_{name}.png")
src.filter(ImageFilter.MedianFilter(3)).save("tmp/page_017_denoise.png")
PY
for v in r100 r60 r40 denoise; do
  python check_order.py out/page_017_$v.json samples/gold/page_017.txt > log/order_$v.log
done
diff log/order_r100.log log/order_denoise.log

判读规则：如果四个变体的乱序行号集合基本一致，说明顺序由版面结构决定，继续调图像意义不大；如果乱序行号随缩放变小而增加、去噪后减少，说明图像质量参与其中，优先从输入侧解决。需要提醒的是，插值放大不会把丢失的笔画补回来，低分辨率样张若要验证，建议重新扫描一版，而不是把现有小图拉大。每次记录变化前后的差异时，至少写清“哪个变体、乱序行号、未匹配行数”三项，方便回看。

按版面类型归纳错乱触发条件

把每页的 .meta.txt 和对应 order 日志并排看，按版面类型记录“从什么页宽、什么栏数开始出现乱序”。下面是按机理整理的观察方向，具体页宽与栏数阈值需要你用自己样张的结果填入最后一列，不要照抄别人的数字。

归纳完再回看脚本的乱序行号：同一类版面反复出现在相同行号位置，就说明这是该类版面的固定触发点，可以在流程里提前规避（例如先按栏切图再分别解析，再按栏序拼接）。这种切栏处理属于有损策略，需要再跑一次对照脚本，确认乱序行号减少且没有引入新的未匹配行，才考虑固化。

给出降低错乱的输入预处理清单

三项预处理不要一次全上，逐项加、逐项验，否则又分不清是哪一步起了作用。

• 扫描分辨率：正文建议不低于 300dpi，判断标准是单字高度在图上不低于约 20 像素；低于这个量级优先重新扫描或联系来源方出原图，不要用插值放大冒充。验证方式：同一页对比原图与重扫图跑出的 order 日志，乱序行号应减少或持平。
• 去噪：先转灰度，再做轻度中值去斑或去斑滤镜，避免强二值化——细笔画和侧栏小字最先被吃掉。验证方式：跑 denoise 版本与 r100 版本的 order 日志做 diff，如果未匹配行数上升，说明去噪过头，回调参数。
• 切边：去掉扫描黑边与装订阴影，但保留页眉、页脚和页码区域不裁——切掉它们反而可能让正文首段的纵坐标判断更乱；侧栏注解区域也不能裁。验证方式：切边后再跑一次对照脚本，确认乱序行号集合没有新增，再进入正式解析流程。

这三项做完，把最终版本的解析输出与固定样张的标注再对一次；如果乱序仍然集中在双栏和侧栏页，就不要再往图像质量上找了，按上表的触发条件处理版面。