arXiv cs.AI· Zhuowen Liang, Xiaotian Lin, Yuyu Luo, Haixun Wang, Nan Tang·· 18 天前AI 评分35
DocPilot：面向长视觉文档理解的交互式智能体编排与训练框架
DocPilot: Interactive Agent Orchestration and Training for Long Visual Document Understanding
AI 导读
研究人员提出长视觉文档理解智能体框架 DocPilot，通过页面级导航、细粒度证据定位、局部视觉检查与代码数值推理实现多模态理解。该框架采用课程智能体训练，可将复杂文档处理能力迁移至小型模型。评测显示其在前沿 VLM 上表现提升显著，4B 参数的 DocPilot-4B 性能可抗衡更大规模模型，相关代码已开源。
来源：arXiv cs.AI · arxiv.org