論文の概要: An Empirical Study of VLM Pipelines for Long-Document QA
- arxiv url: http://arxiv.org/abs/2609.29933v1
- Date: Thu, 24 Sep 2026 15:00:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:10.035712
- Title: An Empirical Study of VLM Pipelines for Long-Document QA
- Title（参考訳）: 長期文書QAのためのVLMパイプラインの実証的研究
- Abstract要約: VLM(Vision-Language Models)は、テキストをチャート、表、図形、複雑なレイアウトと組み合わせた長いドキュメント処理に使用されるようになっている。
これらの選択は、フロンティアAPIとオープンウェイトVLMを併用した2つの長期文書QAベンチマークで検討する。
- 参考スコア（独自算出の注目度）: 12.083918941265827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vision-Language Models (VLMs) are increasingly used for long-document processing, where the inputs combine text with charts, tables, figures, and complex layouts. Deploying them means choosing how to feed the document to the model, which retriever to use when only a subset of pages is sent, and whether to run the model agentically or as a static pipeline. We study these choices on two long-document QA benchmarks with both frontier API and open-weight VLMs. First, on MMLongBench-Doc our six-tool agent with page, table, figure, and search calls pays off only once the answering VLM is large enough: with Qwen3.5-4B and 9B it trails static page input, with Qwen3.5-27B it draws level, and with Sonnet 4.5 it leads. On LongDocURL it is level with or ahead of static input at every reader. Its lead over the strongest static pipeline is clearest with the frontier reader on MMLongBench-Doc and narrows to within noise on LongDocURL. Second, retrieval modality matters more than the specific retriever: the strongest image retriever leads the strongest text pipeline, and on the text side a single off-the-shelf cross-encoder rerank essentially matches a much heavier multi-stage LLM pipeline. Top-k image retrieval is also the most token-efficient input at every reader we paired it with, at roughly a seventh to a quarter of the tokens of sending every page. Third, cutting across all three choices, three of our strongest pipelines succeed on different questions, and an oracle that picks the best pipeline per question gains roughly thirteen points over the best single pipeline, though evidence-type routing recovers almost none of it.
- Abstract（参考訳）: VLM(Vision-Language Models)は、テキストをチャート、表、図形、複雑なレイアウトと組み合わせた長いドキュメント処理に使用されるようになっている。
それらをデプロイすることは、ドキュメントをモデルにフィードする方法、ページのサブセットだけを送信した時に使用するレトリバー、モデルをエージェント的に実行するか、静的パイプラインとして実行するかを選択することを意味します。
これらの選択は、フロンティアAPIとオープンウェイトVLMを併用した2つの長期文書QAベンチマークで検討する。
まず、MMLongBench-Docでは、ページ、テーブル、フィギュア、検索コールを含む6ツールのエージェントが、応答するVLMが十分に大きいときにのみ、支払いを行う: Qwen3.5-4Bと9Bでは、静的なページ入力を、Qwen3.5-27Bでは、レベルを、Sonnet 4.5では、リードする。
LongDocURLでは、すべてのリーダーで静的入力のいずれかのレベルである。
最強の静的パイプラインに対するリードは、MMLongBench-Docのフロンティアリーダと、LongDocURLのノイズの範囲内では最も明確である。
第二に、検索のモダリティは特定のレトリバーよりも重要であり、最強の画像レトリバーが最強のテキストパイプラインをリードし、テキスト側では、オフザシェルのクロスエンコーダのリランクが、本質的にはより重い多段LCMパイプラインにマッチする。
トップk画像検索は、私たちがペアリングしたすべてのリーダーにおいて最もトークン効率のよい入力であり、すべてのページを送信するトークンの約7～4分の1である。
第3に,3つの選択肢をすべて切り離し,最強のパイプライン3つをそれぞれ異なる質問で成功させ,最高のパイプラインを選択する託宣は,最高の単一パイプラインに対しておよそ13ポイント獲得するが,エビデンスタイプのルーティングはほとんど回復しない。
関連論文リスト
- 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) - EviProp: Seeded Relevance Diffusion on Chunk-Page Graphs for Long Multimodal Document Retrieval [22.402302777838724]
本稿では,EviPropを提案する。EviPropは,シード関係拡散によるエビデンスページの検索手法である。
EviPropは、各ドキュメントを階層的、シーケンシャル、および類似性リンクを持つマルチモーダルのチャンクページグラフとしてモデル化する。
MMLongBench-DocとLongDocURLの実験は、独立した視覚検索とテキスト-視覚融合ベースラインよりも、エビデンスページ検索が一貫した増加を示している。
論文 参考訳（メタデータ） (2026-06-08T03:25:20Z) - 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) - SimpleDoc: Multi-Modal Document Understanding with Dual-Cue Page Retrieval and Iterative Refinement [17.272061289197342]
Document Visual Question Answering (DocVQA)は実用的で難しいタスクである。
最近の手法は、同様のRAG(Retrieval Augmented Generation)パイプラインに従う。
DocVQA用の拡張フレームワークであるSimpleDocを紹介します。
論文 参考訳（メタデータ） (2025-06-16T22:15:58Z) - M3DocRAG: Multi-modal Retrieval is What You Need for Multi-page Multi-document Understanding [63.33447665725129]
M3DocRAGは、様々な文書コンテキストに柔軟に対応する新しいマルチモーダルRAGフレームワークである。
M3DocRAGは視覚情報を保存しながら、単一の文書や多数の文書を効率的に処理できる。
M3DocVQAはオープンドメインDocVQAを3,000以上のPDFドキュメントと4万以上のページで評価するための新しいベンチマークである。
論文 参考訳（メタデータ） (2024-11-07T18:29:38Z) - 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) - Visconde: Multi-document QA with GPT-3 and Neural Reranking [4.9069311006119865]
本稿では,複数の文書にまたがる証拠を裏付ける質問に回答できる質問応答システムを提案する。
Viscondeと呼ばれるこのシステムは、3ステップのパイプラインを使ってタスクを実行する。
論文 参考訳（メタデータ） (2022-12-19T17:39:07Z)
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。