LoC 方法提升多模态文档 RAG 的证据利用

arXiv cs.CV 报道了多模态文档 RAG 方法 Loud and Clear（LoC）。该方法将更高分辨率的页面图像与查询相关区域的 OCR 文本一并输入生成器，无需额外训练或标注。在 SciEGQA、ViDoRe-v3、MMLongBench-Doc 三个基准上，LoC 超越八种既有方法，较其中最强的 ColQwen3 分别提升 8.88、3.09、4.22 分。论文进一步把瓶颈定位在生成端：将页面预算从 1K 提高到 32K，可带来 15.22 分的提升。目前进展是该方法在多个基准上取得领先，并指出让视觉证据真正发挥作用的关键在于生成端的预算与输入组织方式。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。