論文の概要: FinixDoc: Rethinking Financial Document Parsing Beyond Saturated Benchmarks
- arxiv url: http://arxiv.org/abs/2608.22842v1
- Date: Mon, 24 Aug 2026 06:20:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.90449
- Title: FinixDoc: Rethinking Financial Document Parsing Beyond Saturated Benchmarks
- Title（参考訳）: FinixDoc: 飽和ベンチマークを超えて、財務文書のパースを再考
- Abstract要約: FinixDocは、現実世界の財務文書のエンドツーエンドのエージェント解析システムである。
本稿では,Qwen3-VL-4B上に構築された4BスケールビジョンモデルFinixDocVLについて紹介する。
評価のために、FinixDocBenchは、デジタルネイティブ、カメラキャプチャー、超大型ページ、内部ワークフローシナリオをカバーする金融ドメイン評価スイートである。
- 参考スコア（独自算出の注目度）: 35.14324618292104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Financial document parsing requires accuracy, structural consistency, and verifiability that current benchmarks often fail to reflect. We present FinixDoc, an end-to-end agentic parsing system for real-world financial documents, with FinixDoc-VL, a 4B-scale vision-language model built on Qwen3-VL-4B, as its core parser. To characterize the gap between benchmark and deployment performance, we introduce a Document Parsing Capability Matrix organized along two practical axes: visual quality and document scale. Guided by this matrix, FinixDoc-VL is trained with a domain-adapted recipe combining homoglyph-aware contrastive learning and multi-stage reinforcement learning with composite domain-specific rewards. To better leverage our accumulated advantage in low-quality financial-document data and support large-scale, high-quality data production, we further build a human-in-the-loop Data Factory pipeline with confidence-aware expert review. For evaluation, we construct FinixDocBench, a financial-domain evaluation suite covering digital-native, camera-captured, ultra-large-page, and internal-workflow scenarios, with a compliance-reviewed subset released alongside this technical report. On its main subsets, FinixDoc-VL achieves the highest overall score (81.43) among evaluated baselines, outperforming the next-best open-source model by 5.13 points, with the largest gains on internal financial workflows (FinixInner: 84.08 vs. 78.73).
- Abstract（参考訳）: 財務文書のパースには、現在のベンチマークでしばしば反映できない正確性、構造的整合性、検証性が必要である。
我々はQwen3-VL-4B上に構築された4Bスケールの視覚言語モデルであるFinixDoc-VLをコアパーサとして、現実世界の財務文書のエンドツーエンドのエージェント解析システムであるFinixDocを提案する。
ベンチマークとデプロイメントパフォーマンスのギャップを特徴付けるために,視覚的品質と文書規模という2つの実践的な軸に沿って整理された文書解析能力マトリックスを導入する。
この行列によって導かれるFinixDoc-VLは、ホモグリフ認識のコントラスト学習と複合ドメイン固有報酬による多段階強化学習を組み合わせたドメイン適応レシピで訓練される。
低品質の財務文書データにおける蓄積したアドバンテージをより活用し、大規模で高品質なデータ生産をサポートするために、信頼性を意識した専門家レビューを備えた、ループ内データファクトリパイプラインをさらに構築します。
評価のために、FinixDocBenchという、デジタルネイティブ、カメラキャプチャー、超大型ページ、内部フローシナリオをカバーする金融ドメイン評価スイートを構築し、コンプライアンスレビューされたサブセットをこの技術レポートと共にリリースした。
主要なサブセットでは、FinixDoc-VLが評価ベースラインの中で最高スコア(81.43)を獲得し、内部金融ワークフロー(FinixInner:84.08 vs. 78.73)において、次のベストのオープンソースモデルを5.13ポイント上回っている。
関連論文リスト
- Benchmarking Multi-Agent LLM Architectures for Financial Document Processing: A Comparative Study of Orchestration Patterns, Cost-Accuracy Tradeoffs and Production Scaling Strategies [0.0]
財務文書から構造化情報を抽出するための4つのマルチエージェントオーケストレーションアーキテクチャを比較した。
反射的アーキテクチャは、最高フィールドレベルF1(0.943)を達成するが、シーケンシャルベースラインのコストは2.3倍である。
本稿では, セマンティックキャッシング, モデルルーティング, 適応再試行戦略に関するアブレーション研究を行い, ハイブリッド構成により, 反射型アーキテクチャの精度の89%を1.15倍のコストで回収できることを実証した。
論文 参考訳（メタデータ） (2026-03-24T00:02:47Z) - Agentar-Fin-OCR [6.212573253529528]
Agentar-Fin-OCR(エージェントフィン-OCR)は、金融ドメイン文書に適した文書解析システムである。
複雑なレイアウトやクロスページ構造の不連続といったファイナンス固有の課題に対処するため、Agensar-Fin-OCRはクロスページコンテンツ統合アルゴリズムを組み合わせた。
実験により、OmniDocBenchのメトリクスを解析するテーブル上で、我々のモデルは高いパフォーマンスを示す。
論文 参考訳（メタデータ） (2026-03-11T17:59:42Z) - FinForge: Semi-Synthetic Financial Benchmark Generation [4.3298251304921775]
FinForgeは、金融特化評価ベンチマークを構築するための、スケーラブルで半合成的なパイプラインである。
我々はFinForge-5kというベンチマークを作成した。これは11のファイナンスにまたがる5000以上の質問応答対からなるベンチマークベンチマークである。
FinForge-5kは金銭的推論に大きな違いを示し、主要なモデルは80%近い精度で達成されている。
論文 参考訳（メタデータ） (2026-01-11T01:38:33Z) - Enhancing Business Analytics through Hybrid Summarization of Financial Reports [0.152292571922932]
財務報告と決算報告には大量の構造化情報と半構造化情報が含まれている。
本稿では,抽出的および抽象的手法を組み合わせて,簡潔かつ現実的に信頼性の高い要約を生成するハイブリッド要約フレームワークを提案する。
これらの知見は、長い財務文書を有効活用できるビジネスインテリジェンスに蒸留する実用的な要約システムの開発を支援するものである。
論文 参考訳（メタデータ） (2025-12-28T16:25:12Z) - FinSight: Towards Real-World Financial Deep Research [68.31086471310773]
FinSightは、高品質でマルチモーダルな財務報告を作成するための新しいフレームワークである。
プロフェッショナルグレードの可視化を確保するため,反復視覚強調機構を提案する。
2段階のBinging Frameworkは、簡潔な分析セグメントをコヒーレント、引用認識、マルチモーダルレポートに拡張する。
論文 参考訳（メタデータ） (2025-10-19T14:05:35Z) - Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
文書理解は、財務分析から科学的発見への応用に不可欠である。
現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。
Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
論文 参考訳（メタデータ） (2025-10-17T02:33:16Z) - DocReward: A Document Reward Model for Structuring and Stylizing [107.03974018371058]
DocRewardはドキュメントの構造とスタイルに基づいてドキュメントを評価するドキュメント報酬モデルである。
ブラッドリー・テリーの損失を利用して文書を採点し、注釈付きランキングに矛盾する予測を罰する訓練を受けている。
GPT-5の37.7%の勝利率に比べて60.8%の勝利率を達成した。
論文 参考訳（メタデータ） (2025-10-13T13:36:32Z) - FinAgentBench: A Benchmark Dataset for Agentic Retrieval in Financial Question Answering [57.18367828883773]
FinAgentBenchは、ファイナンスにおける多段階推論によるエージェント検索を評価するためのベンチマークである。
このベンチマークは、S&P-500上場企業に関する26Kのエキスパートアノテート例から成っている。
我々は,最先端モデルの集合を評価し,対象の微調整がエージェント検索性能を大幅に向上することを示す。
論文 参考訳（メタデータ） (2025-08-07T22:15:22Z) - Bi-VLDoc: Bidirectional Vision-Language Modeling for Visually-Rich Document Understanding [88.88844606781987]
マルチモーダル文書事前学習モデルは、様々な視覚的にリッチな文書理解(VrDU)タスクにおいて非常に効果的であることが証明されている。
ドキュメント上の視覚と言語間の相互作用をモデル化し、活用する方法は、より優れた一般化能力とより高い精度から妨げられている。
本稿では,VrDUにおける視覚言語共同表現学習の問題点について,主に監視信号の観点から検討する。
論文 参考訳（メタデータ） (2022-06-27T09:58:34Z)
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。