論文の概要: Locate, Judge, Read: Role-Specialized Tool Agents over a Knowledge-Point Index for Open-Domain Multimodal Document QA

• arxiv url: http://arxiv.org/abs/2610.13128v1
• Date: Fri, 09 Oct 2026 07:21:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.451324
• Title: Locate, Judge, Read: Role-Specialized Tool Agents over a Knowledge-Point Index for Open-Domain Multimodal Document QA
• Title（参考訳）: Locate, Judge, Read: オープンドメインマルチモーダル文書QAのための知識ポイントインデックス上の役割特化ツールエージェント
• Abstract要約: KnowForgeは、検索のみが可能なハイブリッド検索のナレッジポイントインデックスとロケータエージェントである。 Deep Readerエージェントはテキスト、画像、テーブルのみを読み取ります。 KnowForgeは完全なオープンドメインM3DocVQAでF1 47.5に達する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Question answering over large heterogeneous document collections requires first finding the right passages and then reading them, yet current retrieval-augmented agents give one model both kinds of tools and let it schedule itself. We present KnowForge, a pipeline separated by job: a hybrid-retrieval knowledge-point index; a Locator agent that can only search; a code-scheduled bridge judge that forces the missing second hop; a typed, size-bounded evidence pool that merges every search's ranking; a Deep Reader agent that can only read text, images and tables; and a synthesizer with a format checker. With a self-hosted Qwen3.6-35B-A3B (3B active), KnowForge reaches F1 47.5 on the full open-domain M3DocVQA (2,441 questions, 3,368 PDFs), +11.0 over the published M3DocRAG system and +7.1 over one-shot retrieve-and-answer on the same index and model, and 53.5 with DeepSeek-V4-Flash. On MultiHop-RAG it reaches 73.5 accuracy, above the strongest published RAG and GraphRAG results (71.2); on the single-document MMLongBench-Doc it lifts the same model from 34.8 to 47.0, level with GPT-4o reading page images (46.3). Per-job ablations on the full benchmarks attribute the gain: the Deep Reader is worth 3.8, 9.8 and 0 points on the three corpora, tracking how visual each is; merging both agents into one with all tools and twice the rounds loses 1.9 F1 because it keeps searching instead of reading; a round-budget sweep shows a step at four Locator rounds and a plateau beyond; query latency scales with model calls rather than corpus size. We serve the three indexed benchmarks as read-only knowledge bases (free registration) and release all prompts and the runner code: https://github.com/metask-ai/knowforge-bench
• Abstract（参考訳）: 巨大な異種文書コレクションに対する質問応答には、まず適切なパスを見つけ、次にそれを読み取る必要があるが、現在の検索強化エージェントは、両方の種類のツールを提供し、それ自身でスケジュールさせる。 ジョブによって分離されたパイプラインであるKnowForge,ハイブリッド検索可能なナレッジポイントインデックス,検索のみが可能なロケータエージェント,行方不明の第2ホップを強制するコードスケジューリングブリッジジャッジ,検索のランキングをマージするタイプ付きサイズバウンドエビデンスプール,テキスト,イメージ,テーブルのみを読み取り可能なDeep Readerエージェント,フォーマットチェッカーを備えたシンセサイザー。 セルフホストのQwen3.6-35B-A3B (3B アクティブ)で、KnowForge は完全なオープンドメイン M3DocVQA (2,441 の質問、3,368 のPDF)で F1 47.5 に達し、M3DocRAG システムでは+11.0 、同じインデックスとモデルでは +7.1 に、DeepSeek-V4-Flashでは 53.5 に到達した。 MultiHop-RAGでは73.5の精度に達し、最も強力なRAGとGraphRAGの結果(71.2)を上回り、シングルドキュメントのMMLongBench-Docでは、GPT-4oのページイメージ(46.3)とともに34.8から47.0に引き上げる。 Deep Readerは3つのコーパスで3.8、9.8、0ポイントの値であり、視覚的な位置を追跡し、両方のエージェントをすべてのツールで1つにマージし、ラウンドの2倍は1.9F1を失う。 3つのインデックス付きベンチマークを読み取り専用ナレッジベース(無料登録)として提供し、すべてのプロンプトとランナーコードをリリースする。

関連論文リスト

• EVIE: Evidence-Vector-Informed Embeddings for Visual Document Retrieval [40.16120380759166]
  OCRベースのテキスト検索は、プレレイテンシを追加し、複雑なページを理解するのに必要な視覚的および構造的手がかりを失う可能性がある。 3つの重要なイノベーションを統合するネイティブビジュアルレトリバーのファミリーを紹介します。 EVIE-4.5B with HAC は 59.58 nDCG@10 をわずか3.81 GiB per million pages で保持し、ベクトルペイロードを$128times$で削減した。
  論文  参考訳（メタデータ） (2026-10-08T09:15:47Z)
• RIT-RAG: Navigating Document Corpora with Retrieval-Induced Trees [10.62109671127318]
  RIT-RAGは、その内容または外部ナビゲーションポイントのテーブルから、各ドキュメントのためのツリーを構築する。 エージェントはサブツリーをナビゲートし、有望なノードを選択的に読み込み、必要に応じてクエリを再構成する。 バニラ、グラフベース、エージェントベースラインの回答精度が最も高い。
  論文  参考訳（メタデータ） (2026-10-08T07:03:17Z)
• Capability-Routed Visual Retrieval and Evidence Threading for Long-Context Document Question Answering [1.7499351967216341]
  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。
  論文  参考訳（メタデータ） (2026-09-07T16:56:47Z)
• Typed Federated Artifacts for the Agentic Web:Sharing Tool-Routing Knowledge Across Frozen,Heterogeneous LLM Agents [10.938897404868044]
  オープンでネットワーク化されたWebにより、エージェントは複数のベンダーからフリーズモデルを実行し、履歴をプライベートに保ち、どのツールを呼び出すかを教え合うことができる。 我々は、フィールドごとのプライバシ、紛争解決、クロスラベル転送のために、型付きフェデレーション、スキーマ検証オブジェクトを適切に定義したフィールドで共有することを提案する。
  論文  参考訳（メタデータ） (2026-09-06T20:15:09Z)
• 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)
• 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)
• Lost in a Single Vector: Improving Long-Document Retrieval with Chunk Evidence Aggregation [59.438696079345426]
  DICEは、ドキュメントをチャンクに分割し、凍結したモデルで独立してエンコードし、それらを単一のベクタに集約する、トレーニング不要のドキュメントサイド戦略である。 LongEmbedでは、DICEは4つのバックボーン間の検索を改善し、4kトークンを超えるスライスで最大の利益を上げている。 12,779個のフィルターサンプルのうち、DICEは92.8%のケースで単一ベクトルベースラインよりも低いEDIが得られる。
  論文  参考訳（メタデータ） (2026-06-17T07:44:04Z)
• VISUALSKILL: Multimodal Skills for Computer-Use Agents [63.79539541125141]
  ターゲットアプリケーション毎に調整された階層型マルチモーダルスキルであるVISUALSKILLを提案する。 著者によるドキュメンテーションとライブアプリケーションUI探索を組み合わせた2段階のパイプラインで、それぞれのスキルを構築します。 2つのCUAベンチマークでは、Claude Code CLIエージェントがClaude Opus 4.6によって支援され、VISUALSKILLで平均スコア0.456に達した。
  論文  参考訳（メタデータ） (2026-06-16T19:57:07Z)
• How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
  昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。 HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
  論文  参考訳（メタデータ） (2026-05-08T09:30:31Z)
• 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)
• Generate rather than Retrieve: Large Language Models are Strong Context Generators [74.87021992611672]
  本稿では,文書検索を大規模言語モデル生成器に置き換えることで,知識集約型タスクを解く新しい視点を提案する。 我々は,提案手法をgenRead (genRead) と呼び,まず大きな言語モデルに対して,与えられた質問に基づいて文脈文書を生成し,次に生成された文書を読み出して最終回答を生成する。
  論文  参考訳（メタデータ） (2022-09-21T01:30:59Z)

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。