Fugu-MT 論文翻訳(概要): Argus-Retriever: Vision-LLM Late-Interaction Retrieval with Region-Aware Query-Conditioned MoE for Visual Document Retrieval

論文の概要: Argus-Retriever: Vision-LLM Late-Interaction Retrieval with Region-Aware Query-Conditioned MoE for Visual Document Retrieval

arxiv url: http://arxiv.org/abs/2606.04300v1
Date: Wed, 03 Jun 2026 00:08:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-04 20:44:18.434925
Title: Argus-Retriever: Vision-LLM Late-Interaction Retrieval with Region-Aware Query-Conditioned MoE for Visual Document Retrieval
Title（参考訳）: Argus-Retriever: 視覚文書検索のための領域対応クエリ記述型MoEを用いたビジョンLLM遅延インタラクション検索
Abstract要約: textbfArgusはQwen3.5-VL上に構築されたクエリ条件の遅延インタラクションレトリバーのファミリーである。 textbf9B モデルは ViDoRe V1 で textbf92.67 NDCG@5 に到達し、V1+V2 のリーダーボードで textbf86.0 NDCG@5 に到達した。
参考スコア（独自算出の注目度）: 21.24115784579366
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Late-interaction vision-language retrievers represent each document page as many visual token embeddings and score queries with MaxSim. In systems such as ColPali, ColQwen, ColNomic, and Nemotron ColEmbed, the document embeddings are produced without seeing the query, so the same page is represented identically for a table lookup, a chart question, and a layout-sensitive evidence request. We introduce \textbf{Argus}, a family of query-conditioned late-interaction retrievers built on Qwen3.5-VL. Argus adds a region-aware Mixture-of-Experts module: the query encoder produces both retrieval embeddings and a compact context vector, the document page is pooled into spatial regions, and a query-aware router selects latent experts per region before MaxSim. The output remains a multi-vector index compatible with ColPali-style retrieval, but the document representation is now dependent on the query (i.e., $\mathbf{D}(q)$). All Argus models use a 1024-dimensional retrieval head, compared with the 2560-dimensional and 4096-dimensional heads of recent state-of-the-art systems, and are trained on roughly 9\% of the available public supervision rather than the full pool. The 9B model reaches \textbf{92.67} NDCG@5 on ViDoRe V1 and \textbf{86.0} NDCG@5 on the combined V1+V2 leaderboard, the highest reported value for an open late-interaction model on the combined leaderboard. Wrapped in a Qwen3.6-27B agentic retrieval pipeline on ViDoRe V3, Argus-9B further improves its NDCG@10 from 60.28 to \textbf{64.80} over public tasks, showing that the same retriever serves both as a strong standalone system and as a search primitive for iterative LLM agents.
Abstract（参考訳）: 後期対話型視覚言語検索は、各ドキュメントページを多くのビジュアルトークンの埋め込みとして表現し、MaxSimでクエリをスコアする。 ColPali、ColQwen、ColNomic、Nemotron ColEmbedなどのシステムでは、ドキュメントの埋め込みはクエリを見ることなく生成されるため、同じページはテーブルのルックアップ、チャートの質問、レイアウトに敏感なエビデンス要求に対して同一に表現される。 Qwen3.5-VL上に構築されたクエリ条件付き遅延インタラクションレトリバーのファミリーである‘textbf{Argus} を紹介する。クエリエンコーダは検索埋め込みとコンパクトなコンテキストベクトルの両方を生成し、ドキュメントページは空間領域にプールされ、クエリ対応ルータはMaxSimの前に各領域ごとに潜伏した専門家を選択する。出力はColPaliスタイルの検索と互換性のあるマルチベクターインデックスのままだが、ドキュメント表現はクエリ(例えば$\mathbf{D}(q)$)に依存している。すべてのArgusモデルは、最近の最先端システムの2560次元および4096次元のヘッドと比較して、1024次元の検索ヘッドを使用し、フルプールではなく、利用可能な公共監督の約9倍で訓練されている。 9BモデルはViDoRe V1で \textbf{92.67} NDCG@5、V1+V2リーダーボードで \textbf{86.0} NDCG@5に達する。 ViDoRe V3上のQwen3.6-27Bエージェント検索パイプラインで書かれたArgus-9Bは、NDCG@10を 60.28 から \textbf{64.80} に改善し、同じレトリバーが強力なスタンドアロンシステムとして機能し、反復LDMエージェントの検索プリミティブとして機能することを示した。

関連論文リスト

VisDocAgentBench: Benchmarking Agents for Visually Rich Document Retrieval [65.89247522243959]
VisDocAgentBenchは、静的検索とエージェント検索を比較したクローズドコーパスベンチマークである。 100の文書から2,375ページ、120のユニークなターゲットクエリが直接、一橋、二橋のエビデンス構造でバランスを取っている。強力な遅延対話型ビジュアルレトリバーは、直接アイテムで97.50%のRecall@1に達するが、2ブリッジアイテムでは2.50%に達し、関連性がコーパスコンテキストに依存する場合のクエリ-ターゲットマッチングの限界を明らかにする。
論文参考訳（メタデータ） (2026-08-18T15:23:06Z)
DocAtlas: Long-Document Understanding as Mutable-State Interaction [67.90400271544678]
本稿では,長期文書理解を可変状態情報探索プロセスとして扱うDocAtlasを提案する。ドキュメントと質問が与えられた後、DocAtlasは検索、読み取り、メモ取り、レビューツールを公開し、階層的なツリーとノートストアを維持し、エージェントが証拠を記録するように更新する。 GPT-5.4では、DocAtlasはMMLongBench-Docで71.4%に達し、65.8%という人間の専門的基準を超えた。
論文参考訳（メタデータ） (2026-07-21T09:45:34Z)
BRIDGE: Multimodal-to-Text Retrieval via Reinforcement-Learned Query Alignment [5.285385905661152]
最高の視覚言語エンコーダはMM-BRIGHT上で27.6 nDCG@10しか達成せず、強いテキストのみのレシーバーよりも優れています。マルチモーダルエンコーダを使わずにこのミスマッチを解消する2成分システムである textbfBRIDGE を提案する。 textbfFORGEは強化学習によって訓練されたクエリアライメントモデルであり、ノイズの多いマルチモーダルクエリをコンパクトで検索最適化された検索文字列に蒸留する。 textbfLENSは、ForGEが生成するインテントリッチクエリを処理するために、推論集約検索データに基づいて微調整された、推論強化の高密度レトリバーである。
論文参考訳（メタデータ） (2026-04-08T15:28:21Z)
NanoVDR: Distilling a 2B Vision-Language Retriever into a 70M Text-Only Encoder for Visual Document Retrieval [8.720698253117837]
Vision-Language Model (VLM)ベースのレトリバーは、高度な視覚文書検索(VDR)によって印象的な品質を実現している。文書は視覚的に複雑であり、強い視覚的理解を必要とするのに対し、クエリは単なる短い文字列である。 NanoVDRはこのクエリ-ドキュメント非対称性を利用して、2つのエンコーディングパスを分離する。問合せテキストのコサインアライメントは、ランクベースやコントラストの代替よりも一貫して優れています。言語間転送を主要なパフォーマンスボトルネックとして認識し、機械翻訳クエリによるトレーニングデータの拡大により、安価に解決する。
論文参考訳（メタデータ） (2026-03-13T09:24:23Z)
Beyond Patch Aggregation: 3-Pass Pyramid Indexing for Vision-Enhanced Document Retrieval [0.0]
ドキュメント中心のRAGパイプラインは通常、OCRから始まり、次にチャンキング、テーブル解析、レイアウト再構築のための脆さが続く。我々は,OCRフリーかつモデル非依存なマルチモーダル検索システムであるVisionRAGを紹介する。 VisionRAGは、ドキュメントを直接イメージとしてインデックスし、レイアウト、テーブル、空間的なキューを保存し、特定の抽出にコミットすることなくセマンティックベクターを構築する。
論文参考訳（メタデータ） (2025-11-26T07:18:06Z)
Beyond Single Embeddings: Capturing Diverse Targets with Multi-Query Retrieval [45.166788898665665]
我々は新しい検索アーキテクチャemphAutoregressive emphMulti-emphEmbedding emphRetriever(AMER)を開発した。我々のモデルは複数のクエリベクトルを自動回帰的に生成し、予測されたクエリベクトルはすべてコーパスから文書を取得するために使用される。 AMERは、評価した2つのデータセットに対して、単一の埋め込みベースラインに対して4と21%の相対的なゲインを示します。
論文参考訳（メタデータ） (2025-11-04T17:57:20Z)
BRIGHT: A Realistic and Challenging Benchmark for Reasoning-Intensive Retrieval [54.54576644403115]
BRIGHTは、関係する文書を検索するために、集中的推論を必要とする最初のテキスト検索ベンチマークである。私たちのデータセットは、経済学、心理学、数学、コーディングなど、さまざまな領域にまたがる1,384の現実世界のクエリで構成されています。クエリに関する明示的な推論を取り入れることで、検索性能が最大12.2ポイント向上することを示す。
論文参考訳（メタデータ） (2024-07-16T17:58:27Z)
Database-Augmented Query Representation for Information Retrieval [71.41745087624528]
データベース拡張クエリ表現(DAQu)と呼ばれる新しい検索フレームワークを提案する。 DAQuは、元のクエリを複数のテーブルにまたがるさまざまな(クエリ関連の)メタデータで拡張する。我々はDAQuを多様な検索シナリオで検証し、全体の検索性能を大幅に向上させることを示した。
論文参考訳（メタデータ） (2024-06-23T05:02:21Z)
PDFTriage: Question Answering over Long, Structured Documents [60.96667912964659]
構造化文書をプレーンテキストとして表現することは、これらの文書をリッチな構造でユーザ精神モデルと矛盾する。本稿では,構造や内容に基づいて,モデルがコンテキストを検索できるPDFTriageを提案する。ベンチマークデータセットは,80以上の構造化文書に900以上の人間が生成した質問からなる。
論文参考訳（メタデータ） (2023-09-16T04:29:05Z)
Generate rather than Retrieve: Large Language Models are Strong Context Generators [74.87021992611672]
本稿では,文書検索を大規模言語モデル生成器に置き換えることで,知識集約型タスクを解く新しい視点を提案する。我々は,提案手法をgenRead (genRead) と呼び,まず大きな言語モデルに対して,与えられた質問に基づいて文脈文書を生成し,次に生成された文書を読み出して最終回答を生成する。
論文参考訳（メタデータ） (2022-09-21T01:30:59Z)
Towards Complex Document Understanding By Discrete Reasoning [77.91722463958743]
VQA(Document Visual Question Answering)は、自然言語による質問に答えるために、視覚的に豊富なドキュメントを理解することを目的としている。我々は3,067の文書ページと16,558の質問応答ペアからなる新しいドキュメントVQAデータセットTAT-DQAを紹介する。我々は,テキスト,レイアウト,視覚画像など,多要素の情報を考慮に入れたMHSTという新しいモデルを開発し,異なるタイプの質問にインテリジェントに対処する。
論文参考訳（メタデータ） (2022-07-25T01:43:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。