論文の概要: DocClaw: A Unified Agentic System for Intelligent Document Processing
- arxiv url: http://arxiv.org/abs/2608.18685v1
- Date: Wed, 19 Aug 2026 08:34:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.345185
- Title: DocClaw: A Unified Agentic System for Intelligent Document Processing
- Title（参考訳）: DocClaw: インテリジェントドキュメント処理のための統一エージェントシステム
- Abstract要約: 本稿では,エージェントとドキュメント間のインタラクションの共有プロセスとして,多様なインテリジェントな文書処理タスクを定式化する統合エージェントシステムDocClawを紹介する。
この定式化の下で、タスク固有の要件は、エージェントのクエリ目的と対応するドキュメントスキルの解釈によってキャプチャされる。
複数のインテリジェントなドキュメント処理ベンチマークの実験では、DocClawが単一のエージェントフレームワーク内で、さまざまなタスクを効果的に処理していることが示されている。
- 参考スコア（独自算出の注目度）: 70.82545096015238
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intelligent document processing (IDP) encompasses a broad range of tasks, including optical character recognition (OCR), document question answering (DocQA), and key information extraction (KIE). Despite their distinct objectives, these tasks share a common need to perceive document content, acquire task-relevant information, and progressively refine intermediate results. However, they are typically formulated as separate prediction problems and addressed by task-specific models or processing pipelines. We introduce DocClaw, a unified agentic system that formulates diverse intelligent document processing tasks as a shared process of interaction between an agent and a document. Given a document and a task-specific query, DocClaw follows an appropriate document skill to iteratively identify the information required, invoke relevant tools, and integrate the resulting observations into the desired output. Throughout this process, a structured document state organizes reusable document knowledge and task-specific interaction context, allowing the agent to accumulate, revisit, and progressively refine information as the interaction proceeds. Under this formulation, task-specific requirements are captured by the agent's interpretation of the query objective and the corresponding document skill, while the underlying interaction loop, tool space, and document state are shared across tasks. Extensive experiments across multiple intelligent document processing benchmarks demonstrate that DocClaw effectively handles diverse tasks within a single agentic framework and achieves competitive performance compared with both general-purpose VLMs and task-specific methods.
- Abstract（参考訳）: インテリジェント文書処理(IDP)は、光学文字認識(OCR)、文書質問応答(DocQA)、鍵情報抽出(KIE)など、幅広いタスクを含む。
それぞれの目的にもかかわらず、これらのタスクは文書の内容を理解し、タスク関連情報を取得し、段階的に中間結果を洗練する共通の必要性を共有している。
しかし、それらは一般的に別々の予測問題として定式化され、タスク固有のモデルや処理パイプラインによって対処される。
本稿では,エージェントとドキュメント間のインタラクションの共有プロセスとして,多様なインテリジェントな文書処理タスクを定式化する統合エージェントシステムDocClawを紹介する。
ドキュメントとタスク固有のクエリが与えられた後、DocClawは必要な情報を反復的に識別し、関連するツールを呼び出し、結果の観察結果を所望の出力に統合する適切なドキュメントスキルに従う。
このプロセスを通じて、構造化されたドキュメント状態は、再利用可能なドキュメント知識とタスク固有のインタラクションコンテキストを整理し、インタラクションが進むにつれてエージェントが情報を蓄積し、再考し、段階的に洗練することを可能にする。
この定式化の下では、タスク固有の要件は、エージェントのクエリ対象と対応するドキュメントスキルの解釈によってキャプチャされ、基礎となるインタラクションループ、ツールスペース、ドキュメント状態はタスク間で共有される。
複数のインテリジェントなドキュメント処理ベンチマークの広範な実験により、DocClawは単一のエージェントフレームワーク内の多様なタスクを効果的に処理し、汎用的なVLMとタスク固有の方法の両方と比較して競合的なパフォーマンスを達成することを示した。
関連論文リスト
- DocOS: Towards Proactive Document-Guided Actions in GUI Agents [54.27655693145045]
textbfDocOSは、完全にインタラクティブな環境で文書誘導問題解決を評価するために設計されたベンチマークである。
実験の結果、エージェントはプロアクティブ検索中に関連情報を確実に見つけるのに苦労し、検索した指示を忠実に正確な行動に移すのに失敗することが判明した。
論文 参考訳（メタデータ） (2026-05-18T08:36:04Z) - DocSplit: A Comprehensive Benchmark Dataset and Evaluation Approach for Document Packet Recognition and Splitting [3.657237256134889]
実世界のアプリケーションにおける文書理解には、複数の文書を縫合した異種多ページの文書パケットを処理する必要があることが多い。
本稿では,最初の包括的なベンチマークデータセットであるDocSplitと,大規模言語モデルの文書パケット分割機能を評価するための新たな評価指標を提案する。
このベンチマークは、注文外ページ、インターリーブされたドキュメント、明確な区切りのないドキュメントなど、現実世界の課題に対処する。
論文 参考訳（メタデータ） (2026-02-17T19:17:55Z) - BoundingDocs: a Unified Dataset for Document Question Answering with Spatial Annotations [2.9798896492745537]
文書質問回答(QA)のための統合データセットを提案する。
情報抽出(IE)などの既存の文書AIタスクを質問応答タスクに再構成する。
一方、全文書のOCRを公開し、文書画像中の回答の正確な位置をバウンディングボックスとして含む。
論文 参考訳（メタデータ） (2025-01-06T21:46:22Z) - Unified Multimodal Interleaved Document Representation for Retrieval [57.65409208879344]
複数のモダリティでインターリーブされた文書を階層的に埋め込む手法を提案する。
セグメント化されたパスの表現を1つのドキュメント表現にマージする。
我々は,本手法が関連するベースラインを大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-10-03T17:49:09Z) - On Task-personalized Multimodal Few-shot Learning for Visually-rich
Document Entity Retrieval [59.25292920967197]
VDER(Few-shot document entity search)は、NLPアプリケーションにおいて重要なトピックである。
FewVEXは、エンティティレベルの少数ショットVDERの分野における将来の研究を促進するための、新しいデータセットである。
本稿では,タスクパーソナライズを効果的に実現することを中心に,タスク認識型メタラーニングベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-01T17:51:43Z) - Workshop on Document Intelligence Understanding [3.2929609168290543]
このワークショップは、ドキュメントインテリジェンス分野の研究者と業界開発者を集結させることを目的としている。
また、最近導入されたドキュメントレベルのVQAデータセットであるPDFVQAに関するデータ課題もリリースしました。
論文 参考訳（メタデータ） (2023-07-31T02:14:25Z) - IMCI: Integrate Multi-view Contextual Information for Fact Extraction
and Verification [19.764122035213067]
我々は,事実抽出と検証のために,多視点文脈情報(IMCI)を統合することを提案する。
FEVER 1.0共有タスクの実験結果から,IMCIフレームワークは事実抽出と検証の両面で大きな進歩を示している。
論文 参考訳（メタデータ） (2022-08-30T05:57:34Z) - Layout-Aware Information Extraction for Document-Grounded Dialogue:
Dataset, Method and Demonstration [75.47708732473586]
視覚的にリッチな文書から構造的知識と意味的知識の両方を抽出するためのレイアウト対応文書レベル情報抽出データセット(LIE)を提案する。
LIEには製品および公式文書の4,061ページから3つの抽出タスクの62kアノテーションが含まれている。
実験の結果、レイアウトはVRDベースの抽出に不可欠であることが示され、システムデモでは、抽出された知識が、ユーザが関心を持っている答えを見つけるのに役立つことも確認されている。
論文 参考訳（メタデータ） (2022-07-14T07:59:45Z) - Unified Pretraining Framework for Document Understanding [52.224359498792836]
文書理解のための統合事前学習フレームワークであるUDocを紹介する。
UDocは、ほとんどのドキュメント理解タスクをサポートするように設計されており、Transformerを拡張してマルチモーダル埋め込みを入力とする。
UDocの重要な特徴は、3つの自己管理的損失を利用して汎用的な表現を学ぶことである。
論文 参考訳（メタデータ） (2022-04-22T21:47:04Z) - Extracting Procedural Knowledge from Technical Documents [1.0773368566852943]
手続きは、自動化、質問応答、会話の推進のために認知アシスタントが活用できる文書の重要な知識コンポーネントである。
プロダクトマニュアルやユーザガイドといった巨大なドキュメントを解析して,どの部分でプロシージャについて話しているのかを自動的に理解し,それを抽出することは,非常に難しい問題です。
論文 参考訳（メタデータ） (2020-10-20T09:47:52Z)
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。