論文の概要: DocSkill: Skill-Integrated Agentic Reasoning for Multilingual Multi-Hop Document Question Answering

• arxiv url: http://arxiv.org/abs/2610.36759v1
• Date: Tue, 27 Oct 2026 07:14:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.53428
• Title: DocSkill: Skill-Integrated Agentic Reasoning for Multilingual Multi-Hop Document Question Answering
• Title（参考訳）: DocSkill:多言語多言語文書質問応答のためのスキル集約型エージェント推論
• Abstract要約: DocSkillは、アダプティブエビデンス獲得と推論のための学習されたスキルオーケストレーションポリシーを備えたエージェントフレームワークである。 MMHop-DocBenchはマルチリンガルなマルチホップ文書QAデータセットで、トレーニングとテストの分割を行う。 Qwen3-VL-8BによるDocSkillの精度は41.0、MMHop-DocBenchでのF1は49.2である。
• 参考スコア（独自算出の注目度）: 43.55341805894124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multilingual multi-hop document question answering (MMHop-DocQA) requires locating and integrating evidence across complex layouts, document pages, and diverse languages. Existing approaches include single-pass processing and adaptive tool use, but learning to coordinate evidence acquisition, cross-page integration, and answer verification remains challenging. To address this challenge, we present DocSkill, an agentic framework with a learned skill-orchestration policy for adaptive evidence acquisition and reasoning. The policy selects, revisits, or skips skills according to the evolving evidence state. To construct supervision for skill orchestration, bounded Monte Carlo Tree Search (MCTS) explores alternative skill trajectories offline. These trajectories provide demonstrations for supervised fine-tuning (SFT) and preference pairs for Direct Preference Optimization (DPO). We further introduce MMHop-DocBench, a multilingual multi-hop document QA dataset with training and test splits, containing 60K QA pairs across 10 languages and eight document domains. Its HopGen pipeline builds hierarchical page-element graphs to derive traceable cross-page evidence paths and generate grounded QA pairs with page- and element-level evidence annotations. Experiments show that DocSkill with Qwen3-VL-8B achieves 41.0 accuracy and 49.2 F1 on MMHop-DocBench, exceeding the strongest evaluated baseline by 5.5 and 6.3 points, respectively, and achieving competitive performance on MMLongBench-Doc and DocBench.
• Abstract（参考訳）: MMHop-DocQA (Multilingual Multi-hop Document Questioning) は複雑なレイアウト、文書ページ、多言語にまたがるエビデンスの位置と統合を必要とする。 既存のアプローチとしては、シングルパス処理と適応ツールの使用があるが、エビデンス獲得のコーディネート、ページ横断の統合、回答検証の学習は依然として難しい。 この課題に対処するために,適応的エビデンス獲得と推論のための学習的スキルオーケストレーションポリシを備えたエージェントフレームワークDocSkillを提案する。 政策は、進化するエビデンス状態に従ってスキルを選択し、再考し、あるいはスキップする。 スキルオーケストレーションの監視を構築するために、MCTS(Bunded Monte Carlo Tree Search)は、別のスキルトラジェクトリをオフラインで探索する。 これらの軌道は、教師付き微調整(SFT)と直接選好最適化(DPO)のための選好ペアの実証を提供する。 さらに、MMHop-DocBenchは、トレーニングとテストの分割を備えた多言語マルチホップ文書QAデータセットで、10言語と8つのドキュメントドメインの60K QAペアを含む。 HopGenパイプラインは階層的なページ要素グラフを構築し、トレース可能なクロスページエビデンスパスを導出し、ページレベルのエビデンスアノテーションと要素レベルのエビデンスアノテーションを備えた基底QAペアを生成する。 実験の結果、Qwen3-VL-8Bを用いたDocSkillはMMHop-DocBench上で41.0の精度と49.2のF1を達成し、それぞれ5.5ポイントと6.3ポイントで評価されたベースラインを超え、MMLongBench-DocとDocBenchの競合性能を達成した。

関連論文リスト

• DocPilot: Interactive Agent Orchestration and Training for Long Visual Document Understanding [16.33078442884998]
  DocPilotは、オーケストレーションをサポートし、小さな言語モデル(SLM)で学習可能な複雑なドキュメント解決を実現するエージェント型ドキュメントフレームワークである。 本稿では,単一能力学習から適応的オーケストレーションへ進むためのカリキュラムベースのエージェントトレーニングについて,データ基底推論トレースと実行可能なインタラクショントラジェクトリの監督を通じて提案する。 MMLongBench-Doc、DocBench、FinRAGBench-V、MADQAの他、DocPilotはフロンティアのVLMバックボーンで大きく向上している。
  論文  参考訳（メタデータ） (2026-10-15T06:16:43Z)
• DocHop: Benchmarking Out-of-domain Multi-hop Reasoning in Information-Dense Documents [31.706151171213346]
  文書形式の画像にチャートコンテキスト推論を統合するベンチマークであるDocHopを紹介する。 DocHopでは、文書物語は多段階の構成制約を規定し、チャートは対応するデータ値を提供する。 人間の文脈記述者には90%以上の精度が得られ、最良のモデルは62.83%にしか達しない。
  論文  参考訳（メタデータ） (2026-09-02T03:35:12Z)
• DocTrace: Towards Traceable Long Document VQA via Hierarchical Evidence Graph Reasoning [14.841209914774778]
  Long Document Visual Question Answering (LongDocVQA)は、複数のページにまたがる異種文書要素を探索し、統合し、推論するために、MLLM(Multimodal Large Language Models)を必要とする。 エンド・ツー・エンドのMLLMを含む既存のアプローチは、しばしば推論中に、根拠となる証拠がどのように徐々に構成されているかを表現し、検証するための明確なメカニズムを欠いている。 本稿では,エビデンスローカライゼーション,構造化文書解析,エビデンスグラフ推論を行う階層的なフレームワークであるDocTraceを提案する。
  論文  参考訳（メタデータ） (2026-08-04T08:04:59Z)
• Dr. DocBench: A Comprehensive Benchmark for Expert-Level and Difficult Document Parsing [53.41293908252118]
  我々は、エキスパートレベルの文書解析のための困難を意識したベンチマークであるDocBench博士を紹介する。 Dr. DocBenchは52のBISACドメインにまたがり、障害ベースのサンプリングによってドキュメントを選択する。 約100ページにわたる長いドキュメントから4,514ページの注釈付きページが含まれており、レイアウト、読み込み順序、階層的関係、ドメイン固有のビジュアルコンテンツなど、65kの高品質なアノテーションがある。 本分析では,文書インテリジェンスを診断・進展するための総合的なテストベッドとしてDocBench博士が注目されている。
  論文  参考訳（メタデータ） (2026-05-31T18:35:30Z)
• DocArena: Turning Raw Documents into Controllable Training Environments for Document Search Agents [44.01307558575661]
  DocArenaは、生のドキュメントコレクションを、人間のアノテーションなしで検索エージェントのトレーニング環境に変換する。 16のドメインと49の言語にまたがる8,336のドキュメントからQAペアのDocArena-79Kを導入する。 6つのマルチモーダル文書シナリオと7つのテキストベースのQAベンチマーク実験により、DocArenaデータでトレーニングされたエージェントは、検索精度とQA品質の両方で最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2026-05-27T21:21:42Z)
• 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)
• DocHop-QA: Towards Multi-Hop Reasoning over Multimodal Document Collections [23.428084176322866]
  本稿では,マルチモーダル,マルチドキュメント,マルチホップ質問応答のための大規模ベンチマークであるDocHop-QAを提案する。 DocHop-QAはドメインに依存しないもので、テキストパス、テーブル、構造的なレイアウトキューなど、さまざまな情報フォーマットが組み込まれている。 我々は,構造化インデックス予測,生成応答,マルチモーダル統合の4つのタスクを通してDocHop-QAを評価した。
  論文  参考訳（メタデータ） (2025-08-20T08:17:45Z)
• 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)
• End-to-End Multihop Retrieval for Compositional Question Answering over Long Documents [93.55268936974971]
  本稿では,長い文書の合成問題に答えるマルチホップ検索手法であるDocHopperを提案する。 各ステップでDocHopperは文書から段落や文を検索し、検索した結果とクエリを混合し、次のステップでクエリを更新する。 文書構造を活用すれば、長い文書の質問応答や検索性能を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2021-06-01T03:13:35Z)

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。