Yuanlei Zheng

新的智能体框架解决了多页文档视觉问答问题

研究人员推出 Doc-V*，一个无 OCR 的智能体框架，专为多页文档视觉问答而设计。该系统采用粗粒度到细粒度的交互式方法，解决了处理长而视觉密集型文档的挑战。Doc-V* 首先进行广泛概述，然后使用语义检索和定向页面获取来收集证据，这些证据随后在结构化工作内存中进行聚合以进行推理。与检索增强生成基线相比，该框架在各种基准测试中的域外性能提高了高达 47.9%。