DocSeeker：基于证据锚定的结构化视觉推理用于长文档理解

现有大规模多模态语言模型在长文档理解任务中随长度增加性能显著下降，主要源于信噪比低及监督信号稀缺。本文提出一种要求模型执行“分析、定位、推理”结构化工作流的新范式。为此设计了包含知识蒸馏监督微调与证据感知组相对策略优化的两阶段训练框架，并引入证据引导的分辨率分配策略以缓解内存限制。实验表明，该方法在域内及域外任务中均表现优异，具备从短页到超长文档的鲁棒泛化能力。