DocArena

DocArena 管道自动化文档搜索代理训练环境

研究人员开发了 DocArena，一个新颖的管道，可自动将原始文档集合转化为搜索代理的训练环境。该系统利用多模态大语言模型 (MLLMs) 进行视觉感知和问答对生成，无需人工标注。由此产生的 DocArena-79K 数据集包含跨越不同领域和语言的 8,000 多份文档，已用于训练 Doc-Search 代理。实验表明，在 DocArena 数据上训练的代理在检索准确性和问答质量方面均优于在基于文本的环境中训练的代理。