論文の概要: ICDAR2026 Competition on Multimodal Reasoning over Documents in Multiple Domains
- arxiv url: http://arxiv.org/abs/2609.25055v1
- Date: Tue, 08 Sep 2026 10:04:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.845275
- Title: ICDAR2026 Competition on Multimodal Reasoning over Documents in Multiple Domains
- Title（参考訳）: ICDAR2026 複数ドメインの文書に対するマルチモーダル推論に関するコンペティション
- Abstract要約: 複数ドメインにおける文書に対するマルチモーダル推論に関するICDAR2026コンペティションの結果について述べる。
このコンペティションは、ビジュアル質問回答のタスクを通じて文書理解の研究を進めることを目的としていた。
コンペティションは、ゼロショットM、OCR、マルチモーダルアンサンブルにまたがる8チームからの20の有効な応募で締めくくられた。
- 参考スコア（独自算出の注目度）: 8.456750657626598
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this report we present results of the ICDAR2026 Competition on Multimodal Reasoning over Documents in Multiple Domains. This competition aimed to advance research in document understanding through the task of Visual Question Answering (VQA). Building upon previous DocVQA benchmarks, this competition introduces challenging reasoning questions over a diverse collection of documents spanning eight domains, including business reports, scientific papers, slides, posters, maps, comics, infographics, and engineering drawings. The competition concluded with 20 valid submissions from 8 teams spanning zero-shot VLMs, OCR and parser-augmented pipelines, agentic retrieval systems, multi-agent ensembles, and fine-tuned multimodal models. The results show that the strongest systems move beyond single-pass prompting and instead rely on structured evidence extraction, retrieval, verification, and orchestration across multiple components.
- Abstract（参考訳）: 本報告では、複数のドメインにおける文書に対するマルチモーダル推論に関するICDAR2026コンペティションの結果について述べる。
このコンペティションは、VQA(Visual Question Answering)のタスクを通じて文書理解の研究を進めることを目的としていた。
DocVQAの以前のベンチマークに基づいて、このコンペティションでは、ビジネスレポート、科学論文、スライド、ポスター、地図、コミック、インフォグラフィック、エンジニアリング図面など、8つの領域にまたがるさまざまなドキュメントのコレクションに関する、挑戦的な推論問題が導入されている。
コンペティションでは、ゼロショットVLM、OCR、パーサ拡張パイプライン、エージェント検索システム、マルチエージェントアンサンブル、微調整されたマルチモーダルモデルにまたがる8つのチームから20の有効な応募が行われた。
その結果、最強のシステムはシングルパスのプロンプトを超えて、複数のコンポーネントをまたいだ構造化されたエビデンス抽出、検索、検証、オーケストレーションに依存していることがわかった。
関連論文リスト
- MARA: A Multimodal Adaptive Retrieval-Augmented Framework for Document Question Answering [51.19392014547221]
検索型マルチモーダル文書QAは,視覚的にリッチな文書から複雑なマルチモーダル構造を持つ関連情報を識別し,統合することを目的としている。
現在のアプローチは、サージェントなコンテンツを見渡すクエリに依存しないドキュメント表現に依存しています。
本稿では,クエリ適応生成を導入したMultimodal Adaptive Retrieval-Augmented (MARA)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-01T12:27:40Z) - Doc-Researcher: A Unified System for Multimodal Document Parsing and Deep Research [31.973886754355547]
Doc-Researcherは、テキストのみ、ビジョンのみ、ハイブリッドパラダイム間のギャップを埋める統一システムである。
マルチモーダル,マルチホップ,マルチドキュメント,マルチターンディープリサーチの最初のベンチマークであるM4DocBenchを紹介する。
Doc-Researcherの精度は50.6%で、最先端のベースラインよりも3.4倍高い。
論文 参考訳（メタデータ） (2025-10-24T16:07:54Z) - UNIDOC-BENCH: A Unified Benchmark for Document-Centric Multimodal RAG [82.84014669683863]
マルチモーダル検索拡張生成(MM-RAG)は,大規模言語モデルを現実世界の知識ベースに適用するための重要なアプローチである。
UniDoc-Benchは、70万の現実世界のPDFページから構築されたMM-RAGのための最初の大規模で現実的なベンチマークである。
実験により,マルチモーダルテキスト画像融合RAGシステムは,非モーダルおよび共同マルチモーダル埋め込みに基づく検索において一貫して優れていた。
論文 参考訳（メタデータ） (2025-10-04T04:30:13Z) - MMESGBench: Pioneering Multimodal Understanding and Complex Reasoning Benchmark for ESG Tasks [56.350173737493215]
環境・社会・ガバナンス(ESG)報告は、持続可能性の実践の評価、規制コンプライアンスの確保、財務透明性の促進に不可欠である。
MMESGBenchは、マルチモーダル理解と複雑な推論を、構造的に多種多様なマルチソースESG文書間で評価するための、最初のベンチマークデータセットである。
MMESGBenchは、45のESG文書から得られた933の検証済みQAペアで構成され、7つの異なるドキュメントタイプと3つの主要なESGソースカテゴリにまたがる。
論文 参考訳（メタデータ） (2025-07-25T03:58:07Z) - Benchmarking Retrieval-Augmented Multimodal Generation for Document Question Answering [60.062194349648195]
Document Visual Question Answering (DocVQA)は、長いマルチモーダル文書の処理において2つの課題に直面している。
現在の文書検索拡張生成法(DocRAG)はテキスト中心のアプローチによって制限されている。
MMDocRAGは,多ページのクロスモーダルエビデンスチェーンを持つ4,055のエキスパートアノテーション付きQAペアを特徴とする総合ベンチマークである。
論文 参考訳（メタデータ） (2025-05-22T09:52:57Z)
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。