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
• Authors: Abdelrahman Abdallah, Mahmoud Abdalla, Mohammed Ali, Adam Jatowt,
• 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

• 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)
• 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)
• 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)

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。