DocCogito：对齐布局认知与步级接地推理以用于文档理解

多模态大模型的文档理解不仅需要准确答案，更需显式的证据接地推理。针对现有模型布局编码与思维链交互松散的问题，本文提出 DocCogito 框架。该框架集成全局布局感知与结构化区域接地推理，引入轻量级布局塔提取结构先验，并设计视觉语义链（VSC）作为比自然语言更精确的结构化表示来监督中间推理。通过渐进式训练策略及细粒度区域置信度奖励增强机制，实现了布局先验与推理执行的内耦合。实验表明该方法在六个基准测试中表现优异，其中四项达到最先进水平。