arXiv cs.CV· Zhivar Sourati, Marianne Menglin Liu, Rongguang Wang, Zheng Wang, Yazhe Hu, Lan Guo, Yuying Wang, Mengqing Guo, Bhavesh Dnyaneshwar Gore, Shubham Pathak, Ramapriya Ranganath, Sandeep Sharma, Tao Sheng, Sujith Ravi, Dan Roth·· 3 小时前AI 评分42
VELD-QA：面向长文档视觉证据定位与问答的大规模数据集
VELD-QA: A Large-Scale Dataset for Visual Evidence Grounding and Question Answering in Long Documents
AI 导读
VELD-QA 基准发布，覆盖 5,859 份真实 PDF、共 372,445 页，含 15,000 条全人工撰写的问答对，任务在图表、表格与复杂版式间均衡。基准评测了九款视觉语言模型（四种证据设置）和七种检索增强及智能体系统：检索方法明显落后于给出正确支撑页的 oracle 设置，全文访问也未能弥合差距，oracle 准确率最高仅 81.7%。加入视觉元素标注可将性能差距缩小 17-24%。
来源：arXiv cs.CV · arxiv.org