arXiv 人工智能· Zhuowen Liang, Xiaotian Lin, Yuyu Luo, Haixun Wang, Nan Tang·· 9 小时前AI 评分43
DocPilot：面向长视觉文档理解的交互式智能体编排与训练框架
DocPilot: Interactive Agent Orchestration and Training for Long Visual Document Understanding
AI 导读
研究人员提出长视觉文档理解智能体框架 DocPilot，通过页面导航与细粒度证据定位编排证据检索，并集成局部视觉检查、基于代码的数值推理和跨模态推理。为将能力迁移至小型语言模型，团队设计了渐进式智能体训练方法。评测显示其在前沿 VLM 上表现提升显著，4B 参数的 DocPilot-4B 在 MMLongBench-Doc、DocBench 等基准上可匹敌更大模型。
来源：arXiv 人工智能 · arxiv.org