arXiv cs.AI· Zhuowen Liang, Xiaotian Lin, Yuyu Luo, Haixun Wang, Nan Tang·· 9 小时前AI 评分39
DocPilot：面向长视觉文档理解的交互式智能体编排与训练
DocPilot: Interactive Agent Orchestration and Training for Long Visual Document Understanding
AI 导读
DocPilot 是一个支持交互式编排的智能体文档框架，通过页面级导航与细粒度证据定位寻找证据，并整合局部视觉检查、基于代码的数值推理和跨模态推理。其课程式智能体训练从单能力学习进阶到自适应编排，使小语言模型也能掌握复杂文档求解；DocPilot-4B 在 MMLongBench-Doc、DocBench、FinRAGBench-V 和 MADQA 上可与更大模型竞争，代码已公开。
来源：arXiv cs.AI · arxiv.org