DocPilot-4B

DocPilot框架通过智能体训练增强长篇视觉文档理解能力

研究人员推出DocPilot，一个新颖的智能体框架，旨在增强对长篇复杂视觉文档的理解能力。该框架通过页面导航和精确证据定位来支持证据收集的复杂编排，整合了视觉检查、数值推理和跨模态分析。DocPilot还采用基于课程的智能体训练方法，将这些能力转移到更小的语言模型上，在MMLongBench-Doc和DocBench等基准测试中表现出显著的性能提升，其DocPilot-4B变体在与更大模型的竞争中取得了有竞争力的结果。