feat(data_process): 模型缓存统一仓库根 .cache 并修复 PDF 页眉页脚清理

- 新增 app/core/cache_paths.py：HF_HOME / tiktoken 缓存统一指向 <repo>/.cache，
  本地与 Docker 路径一致，离线部署打包 .cache 即可
- Dockerfile.backend 的 tiktoken 词表改用官方 SHA 文件名，避免运行时回退重建
- 修复 layout_hybrid 路径不运行 detect_pdf_document_noise 的缺陷：
  needs_pdf_noise 不再与 needs_layout_raw 互斥，PDF 智能预处理在版面切分下也生效
- 新增 layout_noise.py：识别跨页重复的页眉表格标签组并按行剔除，
  解决 docling layout 模型把中文企业 PDF 页眉识别成普通 Table 导致清不掉的问题
- 回收 HybridChunker 丢弃的末尾孤立标题，找回章节标题内容

backend/tests/test_data_process_algorithms.py

@@ -18,10 +18,12 @@ from pypdf import PdfWriter
 
 from app.modules.data_process.algorithms import (
     PdfPageText,
+    LayoutRepeatedBlock,
     content_quality_flags,
     desensitize_pii,
     desensitize_structured_record,
     detect_document_structure,
+    detect_layout_repeated_blocks,
     detect_pdf_document_noise,
     detect_text_format,
     extract_pdf_page_texts,
@@ -35,6 +37,7 @@ from app.modules.data_process.algorithms import (
     preprocess_structured_records_with_lineage,
     record_fingerprint,
     remove_document_noise,
+    remove_layout_repeated_blocks,
     score_quality,
     stable_split,
     stable_split_assignments,
@@ -1143,3 +1146,95 @@ def test_generate_standard_records_rejects_out_of_range_count(
 ) -> None:
     with pytest.raises(ValueError, match=r"\[1, 50\]"):
         generate_standard_records([], qa_pairs_per_item=qa_pairs_per_item)
+
+
+def test_layout_repeated_blocks_detects_repeating_header_table() -> None:
+    """跨页重复的页眉表格应被识别为重复块（出现 ≥ max(3, ceil(pages*0.3)) 次）。"""
+
+    header_table = (
+        "| 文件编码 | 2024 |\n"
+        "| - | - |\n"
+        "| 秘密等级 | 商密【中】 |\n"
+        "| 现行版本 | 1.0 |\n"
+        "| 页次 | 第1页 共47页 |\n"
+    )
+    body_table = (
+        "| 支出项目 | 税务票据要求 |\n"
+        "| - | - |\n"
+        "| 工资奖金 | 无 |\n"
+        "| 交通费 | 车票 |\n"
+    )
+    doc_items: list[tuple[str, object, str]] = []
+    for index in range(20):
+        # 20 个页面里 18 个有页眉表，2 个有正文表
+        text = header_table if index < 18 else body_table
+        doc_items.append(("table", index, text))
+
+    blocks = detect_layout_repeated_blocks(doc_items, page_count=20)
+
+    # 仅页眉表对应的标签序列应被识别
+    assert len(blocks) == 1
+    assert "文件编码" in blocks[0].labels
+    assert "秘密等级" in blocks[0].labels
+    assert blocks[0].occurrences == 18
+
+
+def test_layout_repeated_blocks_short_documents_skip() -> None:
+    """短文档（< 3 页）不推断重复块。"""
+
+    doc_items: list[tuple[str, object, str]] = [
+        ("table", 0, "| 文件编码 | 2024 |\n| - | - |\n"),
+        ("table", 1, "| 文件编码 | 2024 |\n| - | - |\n"),
+    ]
+    assert detect_layout_repeated_blocks(doc_items, page_count=2) == ()
+
+
+def test_remove_layout_repeated_blocks_strips_label_rows_and_separators() -> None:
+    """剔除首列命中重复标签集的行，及其后的表格分隔行。"""
+
+    blocks = [
+        LayoutRepeatedBlock(
+            labels=("文件编码", "秘密等级", "现行版本", "页次"),
+            occurrences=18,
+        ),
+    ]
+    chunk = (
+        "报销指引\n"
+        "| 文件编码 | 2024 |\n"
+        "| - | - |\n"
+        "| 秘密等级 | 商密【中】 |\n"
+        "| 现行版本 | 1.0 |\n"
+        "| 页次 | 第3页 共47页 |\n"
+        "正文第一段\n"
+        "| 支出项目 | 税务票据要求 |\n"
+        "| - | - |\n"
+        "| 工资奖金 | 无 |\n"
+    )
+    cleaned = remove_layout_repeated_blocks(chunk, blocks)
+
+    # 重复标签行 + 紧随其后的表格分隔行被剔除；正文与内容表格保留
+    assert "文件编码" not in cleaned
+    assert "秘密等级" not in cleaned
+    assert "现行版本" not in cleaned
+    assert "页次" not in cleaned
+    # 第一组表格的 | - | - | 在 文件编码 行之后被一并删除
+    # （但 cleaned 中可能还有第二个表格的分隔行）
+    assert cleaned.count("| - | - |") == 1
+    assert "报销指引" in cleaned
+    assert "正文第一段" in cleaned
+    assert "支出项目" in cleaned
+    assert "工资奖金" in cleaned
+
+
+def test_remove_layout_repeated_blocks_returns_text_unchanged_when_no_blocks() -> None:
+    """无重复块时直接返回原文。"""
+
+    chunk = "| 文件编码 | 2024 |\n| 正文 |\n"
+    assert remove_layout_repeated_blocks(chunk, []) == chunk
+    assert (
+        remove_layout_repeated_blocks(
+            "",
+            [LayoutRepeatedBlock(labels=("x",), occurrences=5)],
+        )
+        == ""
+    )