CLDoc-HHRBench

新的VLM框架利用多模态记忆重建文档标题

研究人员开发了一个新的框架，使用视觉语言模型（VLMs）来重建复杂长文档中的标题层级。这种方法解决了当前VLMs因输入分辨率和上下文长度限制而在处理整个文档时存在的局限性。所提出的方法采用层级化多模态记忆，以保留先前处理过的页面的关键信息，从而实现一致的文档级结构分析。为了评估其有效性，创建了一个新的基准测试CLDoc-HHRBench，其中包含250份文档和超过11,000页，并附有专家注释。