Long Document VQA Evidence Graph Multimodal LLM Traceable Reasoning
摘要

长文档视觉问答要求多模态大语言模型定位、整合并推理分布在多页的异构文档元素。现有方法缺乏显式的证据表示与验证机制,限制了准确性与可追溯性。本文提出DocTrace,将长文档问答建模为显式证据图推理问题,通过分层框架逐步执行证据定位、结构化解析及图推理。采用两阶段训练:先进行监督微调初始化能力,再通过组相对策略优化结合专用奖励进一步调优。实验表明,DocTrace在多个基准上显著优于基线,并构建了具有节点级溯源信息的可追溯证据图,实现了透明且可验证的推理。

AI 推荐理由

论文核心在于通过显式证据图推理解决长文档问答,直接提升模型的逻辑推理与证据溯源能力。

研究机构
百度基础模型研发部, 百度公司 清华大学深圳国际研究生院
论文信息
作者 Le Xiang, Zhicheng Guan, Hong Chen, Xiaocong Lin, Zhenghua Lei et al.
发布日期 2026-08-04
arXiv ID 2608.03292
相关性评分 9/10 (高度相关)