迈向具有解释链预测的自解释文档视觉问答

文档视觉问答（DocVQA）要求模型不仅推理出与问题相关的信息，还需定位答案在页面上的具体位置。现有模型往往将证据提取与答案定位纠缠在一起，缺乏透明度。本文提出 CoExVQA，一种具备自解释能力的 DocVQA 框架，通过“解释链”设计实现接地推理：首先识别相关证据，接着明确定位答案区域，最后仅从该区域解码答案。该方法允许直接检查和验证跨模态推理过程。实验表明，限制在接地证据上解码显著提升了可解释 DocVQA 的性能，在 PFL-DocVQA 数据集上将 ANLS 指标提高了 12%，同时提供了透明且可验证的预测结果。