論文の概要: Code as Representation: A Compilable Parsing Paradigm for Academic Documents

• arxiv url: http://arxiv.org/abs/2608.17550v1
• Date: Tue, 18 Aug 2026 09:10:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.287578
• Title: Code as Representation: A Compilable Parsing Paradigm for Academic Documents
• Title（参考訳）: 表現としてのコード:学術文書のコンパイル可能な解析パラダイム
• Abstract要約: Compilable Academic Document Parsing (CADP)は、コンテキストラプラス実行可能なPythonとして全ページを再構築するパラダイムである。 テキストと複数のSAEタイプを含む全学術ページのエキスパート検証ベンチマークであるCADP-Benchを紹介する。 その結果、フロンティアモデルでさえも、高忠実度で実行可能な再構築を行うのに苦戦していることがわかった。
• 参考スコア（独自算出の注目度）: 50.40789738182074
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Academic papers are a primary carrier of scientific knowledge, yet most of this knowledge remains locked in PDFs that are optimized for human reading rather than machine use. For Multimodal Large Language Models (MLLMs), the core challenge is not only perception, but representation: scientific pages interleave text with Structured Academic Elements (SAEs) such as tables, formulas, charts, and pseudocode, whose structure, data, and logic are poorly preserved by common surrogates like Markdown. We therefore propose Compilable Academic Document Parsing (CADP), a paradigm that reconstructs a full page as contextual \LaTeX{} plus executable Python, so that structure-preserving elements and executable chart representations can be reconstructed, recompiled, and directly verified against the source page. To support this setting, we introduce CADP-Bench, an expert-verified benchmark of full academic pages containing tightly coupled text and multiple SAE types, evaluated through a re-injection compilation protocol. We further study current capabilities using SOTA MLLMs and an exploratory multi-agent baseline that incorporates common agentic techniques. Results show that even frontier models still struggle to produce high-fidelity executable reconstructions, highlighting substantial room for improvement in structure-aware scientific document parsing. CADP-Bench is released for future research.
• Abstract（参考訳）: 学術論文は科学的な知識の主要な担い手であるが、これらの知識の大部分は、機械の使用よりも人間の読書に最適化されたPDFに固定されている。 MLLM(Multimodal Large Language Models)にとって、主な課題は知覚だけでなく表現である: 科学ページは、Markdownのような一般的なサロゲートによって、構造、データ、論理が不十分に保存されているテーブル、公式、チャート、擬似コードなどの構造化学術要素(SAE)とテキストをインターリーブする。 そこで本研究では,フルページを文脈的 \LaTeX{} + 実行可能Python として再構成するパラダイムであるCompilable Academic Document Parsing (CADP)を提案する。 この設定をサポートするために、我々はCADP-Benchを紹介した。CADP-Benchは、厳密に結合されたテキストと複数のSAEタイプを含む学術ページのエキスパートが検証したベンチマークであり、再注入コンパイルプロトコルを用いて評価される。 さらに,SOTA MLLMと一般的なエージェント技術を組み合わせた探索的マルチエージェントベースラインを用いて,現在の機能について検討する。 その結果、フロンティアモデルでさえも高忠実度で実行可能な再構築に苦慮していることが示され、構造を意識した学術文書解析の大幅な改善の余地が浮かび上がっている。 CADP-Benchは将来の研究のためにリリースされている。

関連論文リスト

• MPDocBench-Parse: Benchmarking Practical Multi-page Document Parsing [74.84107522458798]
  MPDocBench-Parseは、現実世界のアプリケーションにおけるマルチページ文書解析のためのベンチマークである。 433の注釈付き文書に3,246ページあり、英語と中国語の15種類の文書を網羅しており、レイアウトは様々である。
  論文  参考訳（メタデータ） (2026-05-21T07:36:41Z)
• Document-as-Image Representations Fall Short for Scientific Retrieval [54.7382379182364]
  本稿では,基礎となる学術論文から構築された新しいベンチマークであるArXivDocを紹介する。 文書長が増大するにつれて、文書・画像表現は一貫して準最適であることが示される。 テキストベースの表現は、文字ベースのクエリでも、キャプションや周囲のコンテキストを活用することで、最も効果的である。
  論文  参考訳（メタデータ） (2026-04-20T17:00:17Z)
• Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Training [23.87978106727431]
  本稿では、堅牢なエンドツーエンド文書解析のためのデータ学習協調設計フレームワークを提案する。 本手法は,スキャン・デジタル・実世界の両方のシナリオにおいて,精度とロバスト性を向上する。
  論文  参考訳（メタデータ） (2026-03-25T03:19:09Z)
• Multimodal OCR: Parse Anything from Documents [72.69545534962234]
  dots.mocrは、チャート、ダイアグラム、テーブル、アイコンなどのビジュアル要素を第一級解析ターゲットとして扱う。 テキストとグラフィックの両方を構造化出力として再構築し、より忠実なドキュメント再構築を可能にする。 不均一なドキュメント要素に対するエンドツーエンドのトレーニングをサポートする。
  論文  参考訳（メタデータ） (2026-03-13T14:42:21Z)
• DeepRead: Document Structure-Aware Reasoning to Enhance Agentic Search [23.447631421934847]
  DeepReadは、ドキュメントネイティブな構造的事前を動作可能な推論機能に運用するために設計された、構造対応のドキュメント推論エージェントである。 DeepReadは、従来の検索手法に固有のコンテキストの断片化を効果的に軽減する、人間のような位置読み取りの推論パラダイムを提供する。
  論文  参考訳（メタデータ） (2026-02-04T20:03:28Z)
• PARL: Position-Aware Relation Learning Network for Document Layout Analysis [23.497081928689525]
  効果的なレイアウト解析は,テキストと視覚の融合ではなく,文書の本質的な視覚構造を深く理解することに依存する。 位置感度とリレーショナル構造を用いてレイアウトをモデル化する新しいOCRフリー・ビジョンオンリーのフレームワークを提案する。 実験により、PARL (65M) は大規模マルチモーダルモデルより約4倍少ないパラメータを用いて非常に効率的であることが示されている。
  論文  参考訳（メタデータ） (2026-01-12T15:05:35Z)
• ColMate: Contrastive Late Interaction and Masked Text for Multimodal Document Retrieval [21.39502089420643]
  ColMateはマルチモーダル表現学習と文書検索のギャップを埋めるドキュメント検索モデルである。 ColMateはViDoRe V2ベンチマークで既存の検索モデルよりも3.61%改善されている。
  論文  参考訳（メタデータ） (2025-11-02T11:51:20Z)
• Paper2Web: Let's Make Your Paper Alive! [51.75896846964824]
  学術Webページ生成を評価するためのベンチマークデータセットとフレームワークであるPaper2Webを紹介する。 PWAgentは、科学論文をインタラクティブでマルチメディアに富んだ学術ホームページに変換する自律パイプラインである。
  論文  参考訳（メタデータ） (2025-10-17T17:35:58Z)
• SPECTER: Document-level Representation Learning using Citation-informed Transformers [51.048515757909215]
  SPECTERは、Transformer言語モデルの事前学習に基づいて、科学文書の文書レベルの埋め込みを生成する。 SciDocsは、引用予測から文書分類、レコメンデーションまでの7つの文書レベルのタスクからなる新しい評価ベンチマークである。
  論文  参考訳（メタデータ） (2020-04-15T16:05:51Z)

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。