論文の概要: Capability-Routed Visual Retrieval and Evidence Threading for Long-Context Document Question Answering
- arxiv url: http://arxiv.org/abs/2609.13268v1
- Date: Mon, 07 Sep 2026 16:56:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.15603
- Title: Capability-Routed Visual Retrieval and Evidence Threading for Long-Context Document Question Answering
- Title（参考訳）: 長期文書質問応答における可視的検索とエビデンス・スレッディング
- Abstract要約: 年次レポート、ディリジェンスパック、インフォグラフィックダッシュボードは、ページイメージに番号を埋めている。
凍結したQwen2.5-VL-7BインストラクタとColPali/VisRAG-Retページインデックスを保持する。
検索したページをテキスト、テーブル、チャート、レイアウト、ミックスとして認識する機能付きビジュアルルータタグは、生成前に専門家を混在させる。
- 参考スコア（独自算出の注目度）: 1.7499351967216341
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Annual reports, diligence packs, and infographic dashboards bury numbers in page images: axes, cell grids, and footnotes that OCR pipelines flatten and that page-level visual retrievers still treat as interchangeable in-context examples. We keep a frozen Qwen2.5-VL-7B-Instruct generator and a ColPali / VisRAG-Ret page index, and insert three modules. A capability-aware visual router (CAVR) tags each retrieved page as text, table, chart, layout, or mixed and mixes specialist experts before generation. Weak-to-strong page selection (WSPS) distils a frozen 7B answerability teacher into a 3B selection head so ranking is no longer a single InfoNCE score. Visual evidence threading (VET) builds layout-anchored paths of length at most three and lets the generator read the thread rather than a flat top-$k$ list. On gold-page DocVQA / ChartQA / InfographicVQA the 7B system reaches 96.3 / 90.1 / 85.4. Under the VisRAG top-3 protocol the mean generation accuracy is 62.74 versus 59.39 for the same backbone with concatenation. On MMLongBench-Doc retrieve-then-read, F1 moves from 19.2 to 22.6 and multi-page accuracy from 16.4 to 21.2. ViDoRe nDCG@5 after WSPS reranking is 83.6, with TAT-DQA financial reports at 70.4.
- Abstract（参考訳）: 年次レポート、ディリジェンスパック、インフォグラフィックダッシュボードは、ページイメージに数字を埋めている:x、セルグリッド、フットノート。
凍結したQwen2.5-VL-7BインストラクタとColPali/VisRAG-Retページインデックスを保持し、3つのモジュールを挿入する。
キャパシティ対応ビジュアルルータ(CAVR)は、検索した各ページをテキスト、テーブル、チャート、レイアウト、ミックスとしてタグ付けし、生成前に専門家を混合する。
Wak-to-strong Page selection (WSPS)は、凍結した7B応答性教師を3B選択ヘッドに消耗させるため、ランキングはもはや1つのInfoNCEスコアではない。
ビジュアルエビデンス・スレッド(VET)は、レイアウトアンコールされた長さのパスを少なくとも3つ構築し、ジェネレータがフラットのトップ$k$リストではなくスレッドを読み取ることを可能にする。
金のページDocVQA / ChartQA / InfographicVQAでは、7Bシステムは96.3 / 90.1 / 85.4に達する。
VisRAG top-3プロトコルでは、平均生成精度は62.74対59.39である。
MMLongBench-Docの検索-then-readでは、F1は19.2から22.6に、マルチページの精度は16.4から21.2に移動する。
WSPSの後、ViDoRe nDCG@5は83.6であり、TAT-DQAの財務報告は70.4である。
関連論文リスト
- PARSER: Read in Parallel, Reason in Depth for Long-Context LLM Agents [85.82624962221026]
本稿では、読みを推論から切り離すPARSERを紹介する。
単一のチャンクにバインドされた軽量サブエージェントのバンクは、ドキュメント全体を並列に読み取る。
7Kから896Kまでのコンテキストを持つマルチホップQAでは、4Bバックボーンを持つPARSERが最強のシーケンシャルメモリベースラインを上回っている。
論文 参考訳（メタデータ） (2026-09-06T16:19:01Z) - What the Reranker Sees: Multi-Aspect Page Annotation for Long-Document Multimodal Question Answering [21.941823782270557]
Tridentは、ビジュアルキャプション、セクションパス、エンティティタグ、マルチ軸コンセプトヒット、テキストスニペットを備えた、視覚的な質問応答システムである。
2つの長いドキュメントデータセットでは、アノテーション+参照プロトコルが5つのデータセットにわたる検索F1を大幅に改善する。
最も優れたTrident構成は、私たちの評価で最強のダウンストリームQAパイプラインです。
論文 参考訳（メタデータ） (2026-08-14T19:29:42Z) - DocAtlas: Long-Document Understanding as Mutable-State Interaction [67.90400271544678]
本稿では,長期文書理解を可変状態情報探索プロセスとして扱うDocAtlasを提案する。
ドキュメントと質問が与えられた後、DocAtlasは検索、読み取り、メモ取り、レビューツールを公開し、階層的なツリーとノートストアを維持し、エージェントが証拠を記録するように更新する。
GPT-5.4では、DocAtlasはMMLongBench-Docで71.4%に達し、65.8%という人間の専門的基準を超えた。
論文 参考訳（メタデータ） (2026-07-21T09:45:34Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - 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) - Argus-Retriever: Vision-LLM Late-Interaction Retrieval with Region-Aware Query-Conditioned MoE for Visual Document Retrieval [21.24115784579366]
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。
論文 参考訳（メタデータ） (2026-06-03T00:08:44Z) - Iterative Multimodal Retrieval-Augmented Generation for Medical Question Answering [11.253079427884229]
我々は,OCR テキストの代わりに PMC 文書ページイメージを検索し,原因を判断する反復型マルチモーダル RAG フレームワーク MED-VRAG を提案する。
視覚言語モデル(VLM)はそのクエリを反復的に洗練し、メモリバンクにエビデンスを蓄積する。
4つのQAベンチマークで、MEDVRAGの平均精度は78.6%に達した。
論文 参考訳（メタデータ） (2026-04-30T11:16:07Z) - 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) - $G^2$-Reader: Dual Evolving Graphs for Multimodal Document QA [53.491241153213565]
G2$-Readerはマルチモーダルな質問応答のためのデュアルグラフシステムである。
Qwen3-VL-32B-Instructによる$G2$-Readerの平均精度は66.21%に達し、強力なベースラインとスタンドアローンのGPT-5(53.08%)を上回った。
5つのマルチモーダルドメインにわたるVisDoMBenchでは、Qwen3-VL-32B-Instructを使った$G2$-Readerが平均精度66.21%に達し、強力なベースラインとスタンドアロンのGPT-5(53.08%)を上回っている。
論文 参考訳（メタデータ） (2026-01-29T17:52:54Z) - Beyond Patch Aggregation: 3-Pass Pyramid Indexing for Vision-Enhanced Document Retrieval [0.0]
ドキュメント中心のRAGパイプラインは通常、OCRから始まり、次にチャンキング、テーブル解析、レイアウト再構築のための脆さが続く。
我々は,OCRフリーかつモデル非依存なマルチモーダル検索システムであるVisionRAGを紹介する。
VisionRAGは、ドキュメントを直接イメージとしてインデックスし、レイアウト、テーブル、空間的なキューを保存し、特定の抽出にコミットすることなくセマンティックベクターを構築する。
論文 参考訳（メタデータ） (2025-11-26T07:18:06Z) - MMLongBench-Doc: Benchmarking Long-context Document Understanding with Visualizations [105.10376440302076]
MMLongBench-Doc は 1,062 のエキスパート注釈付き質問を含む長文マルチモーダルベンチマークである。
130の長いPDFフォーマットの文書の上に構築されており、平均49.4ページと20,971のテキストトークンがある。
14個のLVLMの実験により、長いコンテキストのDUが現在のモデルに大きく挑戦することを示した。
論文 参考訳（メタデータ） (2024-07-01T17:59:26Z)
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。