摘要
多页文档视觉问答需对长篇幅、高密度文档中的语义、布局及视觉元素进行推理。现有无 OCR 方法在容量与精度间难以权衡。本文提出 Doc-V*，一种无 OCR 的智能体框架，将任务建模为序列证据聚合过程。该框架从缩略图概览出发，主动通过语义检索导航并获取目标页面，在结构化工作记忆中聚合证据以支持接地推理。经专家轨迹模仿学习与组相对策略优化训练，Doc-V* 在五个基准测试中表现优异，显著提升了跨域性能。
AI 推荐理由
论文核心提出交互式视觉推理框架，通过证据聚合实现多页文档的深层推理。
研究机构
School of Software Engineering, Huazhong University of Science and Technology
论文信息