論文の概要: InSight-doc: Agentic Visual Perception for Long-Document Understanding

• arxiv url: http://arxiv.org/abs/2608.10628v1
• Date: Tue, 11 Aug 2026 08:15:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.957799
• Title: InSight-doc: Agentic Visual Perception for Long-Document Understanding
• Title（参考訳）: InSight-doc:長期文書理解のためのエージェント視覚知覚
• Abstract要約: InSight-docは、視覚解像度を適応的推論時間リソースとして扱うエージェント型視覚知覚フレームワークである。 領域レベルのズームイントラジェクトリを用いた17.9Kの高品質SFTのアクティブパーセプションコーパスを構築した。 InSight-doc-8Bは、文書VQAベンチマークよりも4.3-16.4の精度でベースラインを改善する。
• 参考スコア（独自算出の注目度）: 33.245565918696975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-document understanding often requires reasoning over many visually rich pages, making inference costly and prone to context rot. In this work, we propose InSight-doc, an agentic visual perception framework that treats visual resolution as an adaptive reasoning-time resource. InSight-doc starts from low resolution and selectively zooms into high-resolution regions for finer evidence, without relying on any external retriever. To train such an agent, we construct an active-perception corpus of 17.9K high-quality SFT examples with region-level zoom-in trajectories, accompanied by 19.2K hard RL examples. Through SFT+RL, InSight-doc-8B improves the baseline by 4.3--16.4 accuracy points over document VQA benchmarks. On long documents, it reduces hallucination by more than 40% and inference latency by 41%--68% while maintaining an accuracy lead. Our code, datasets, and model are released at https://github.com/m-Just/InSight-doc .
• Abstract（参考訳）: 長い文書理解は、多くの場合、多くの視覚的にリッチなページに対する推論を必要とし、推論はコストがかかり、文脈が腐る傾向にある。 本研究では,視覚解像度を適応的推論時間資源として扱うエージェント型視覚認識フレームワークInSight-docを提案する。 InSight-docは低解像度から始まり、外部レトリバーに頼ることなく、より微細なエビデンスのために高解像度の領域に選択的にズームする。 このようなエージェントを訓練するために、領域レベルのズームイントラジェクトリを持つ17.9Kの高品質なSFTサンプルに19.2KのハードRLサンプルを伴って、アクティブパーセプションコーパスを構築した。 SFT+RLを通じて、InSight-doc-8Bは、文書VQAベンチマークよりも4.3-16.4の精度ポイントでベースラインを改善している。長い文書では、幻覚を40%以上削減し、推論遅延を41%から68%削減し、精度のリードを維持している。 私たちのコード、データセット、モデルはhttps://github.com/m-Just/InSight-doc でリリースされます。

関連論文リスト

• Stop Thinking, Start Looking: Efficient Post-Training for Multimodal Document Question Answering via Reasoning-Free Alignment [2.8730465903425877]
  マルチモーダル文書QAにグループ相対ポリシー最適化を適用するトレーニングフレームワークであるPerception-RFTを紹介する。 推論可能なモデルは,4Bパラメータ尺度で直接知覚に基づくポリシーに収束して,学習中の推論トレースを抑制する。 初期のSFT$rightarrow$RLトランジションは65%のトレーニングデータで同等の精度を実現する。
  論文  参考訳（メタデータ） (2026-07-16T07:43:39Z)
• MAGE-RAG: Multigranular Adaptive Graph Evidence for Agentic Multimodal RAG in Long-Document QA [14.865891513918278]
  長い文書のマルチモーダルな質問応答には、長いPDFでスパースエビデンスを見つけるシステムが必要である。 本稿では,長期文書マルチモーダルQAのための多言語適応グラフエビデンスフレームワークであるMAGE-RAGを提案する。
  論文  参考訳（メタデータ） (2026-06-14T16:34:15Z)
• DocScope: Benchmarking Verifiable Reasoning for Trustworthy Long-Document Understanding [29.270128057512284]
  本稿では,長期文書QAを構造化推論軌道予測問題として定式化するベンチマークであるDocScopeを紹介する。 軌道の各レベルを独立に監査する4段階評価プロトコルを設計する。 6つのプロプライエタリなモデル、12のオープンウェイトモデル、いくつかのドメイン固有のシステムをベンチマークします。
  論文  参考訳（メタデータ） (2026-05-09T11:12:59Z)
• Doc-V*:Coarse-to-Fine Interactive Visual Reasoning for Multi-Page Document VQA [71.42483000929614]
  複数ページのドキュメント 視覚的質問回答は、長い、視覚的に密集したドキュメントにおける意味論、レイアウト、および視覚的要素の推論を必要とする。 我々は,多ページDocVQAをシーケンシャルエビデンスアグリゲーションとしてキャストするtextbfOCRフリーエージェントフレームワークであるDoc-$V*$を提案する。
  論文  参考訳（メタデータ） (2026-04-15T11:12:27Z)
• RPC-Bench: A Fine-grained Benchmark for Research Paper Comprehension [65.81339691942757]
  RPC-Bench(RPC-Bench)は、高品質なコンピュータサイエンス論文のレビュー・リビューの交換から構築された大規模質問応答ベンチマークである。 我々は、科学研究の流れに沿ったきめ細かい分類を設計し、モデルがなぜ、何、どのように学術的な文脈で質問するかを理解し、答える能力を評価する。
  論文  参考訳（メタデータ） (2026-01-14T11:37:00Z)
• CogDoc: Towards Unified thinking in Documents [53.41571589733423]
  本稿では,人間の認知過程を模倣する統一された粗大な思考枠組みを提案する: 情報ローカライゼーションのための低解像度の「Fast Reading」フェーズ,そして深い推論のための高解像度の「Focused Thinking」フェーズを提案する。 我々は、統合思考フレームワークの訓練後戦略を厳格に調査し、直接強化学習アプローチが監督微調整(SFT)でRLを上回ることを実証した。 具体的には、直接RLは、SFTで観察される「政治紛争」を避けている。
  論文  参考訳（メタデータ） (2025-12-14T12:14:17Z)
• GraphReader: Building Graph-based Agent to Enhance Long-Context Abilities of Large Language Models [58.08177466768262]
  大規模言語モデル(LLM)では、複雑なロングコンテクストのタスクに対処するためには、ロングコンテクストの能力が不可欠である。 グラフをグラフに構造化し、エージェントを使ってグラフを自律的に探索することで、長いテキストを扱うように設計されたグラフベースのエージェントシステムであるGraphReaderを紹介する。 LV-Evalデータセットの実験結果によると、GraphReaderは4kコンテキストウィンドウを使用して、16kから256kまでのコンテキスト長で一貫してGPT-4-128kを上回っている。
  論文  参考訳（メタデータ） (2024-06-20T17:57:51Z)
• TextMonkey: An OCR-Free Large Multimodal Model for Understanding Document [60.01330653769726]
  テキスト中心タスクに適した大規模マルチモーダルモデル(LMM)であるTextMonkeyを提案する。 ゼロ初期化によるシフトウィンドウアテンションの導入により、高い入力解像度でクロスウィンドウ接続を実現する。 テキストスポッティングとグラウンド化を包含する能力を拡張し、位置情報を応答に組み込むことで、解釈可能性を高める。
  論文  参考訳（メタデータ） (2024-03-07T13:16:24Z)

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。