该论文揭示了LLM管道在处理Office Open XML（OOXML）文档（如Word、Excel、PowerPoint）时存在的一种系统性语义完整性缺失问题。研究背景是：在金融、合规和检索增强生成（RAG）等工作流中，LLM常将OOXML文件作为第一手证据，并隐含假设模型消费的证据与Microsoft Office编辑画布显示的内容一致。然而，作者证明这一假设可能失效：同一个符合规范的OOXML文件，在Microsoft Office中呈现一种证据视图，而在为LLM提取时则呈现另一种视图，且每种视图都分别被其消费方视为权威，作者称之为“多源真值”（plural ground truth）。摄入契约很少说明哪个视图和语义角色成为模型证据，也未保留证据的推导过程。作者将引发这种分歧的规范基础OOXML构造命名为“证据分叉”（evidence forks）。研究通过系统遍历和挖掘OOXML规范，在Excel、Word和PowerPoint中确认了21种证据分叉，覆盖视图构建的六个维度。实验使用了13个提取工具，所有工具都至少从一个分叉中产生了证据，并测试了4个原生摄入的LLM API和7个网络聊天机器人。每个测试文档都包含一个“陷阱”：一个任务相关事实在提取时暴露但在Office中不显示。在21机制评估中，4个API在48%到76%的试验中返回陷阱；在21种机制中有20种至少有一个接口返回陷阱。测量还表明，暴露情况由模型上游的摄取路径和提取器配置决定。对16个流行的开源LLM项目的源代码调查进一步显示，默认OOXML摄取路径集中在受影响提取器家族上。该研究的核心贡献在于首次系统化地图了OOXML到LLM摄取链中证据分歧的普遍性和源头，揭示了LLM在处理结构化文档时存在隐藏的语义盲区。适合LLM安全研究员、RAG系统开发者、合规审计工具设计者阅读。