VELD-QA 长文档视觉证据定位问答数据集发布

2026 年 10 月 16 日，arXiv cs.CV 刊出 VELD-QA 基准，面向长文档中的视觉证据定位与问答。数据集覆盖 5,859 份真实 PDF、共 372,445 页，包含 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分布。基准评测了九款视觉语言模型（四种证据设置）以及七种检索增强与智能体系统。结果显示，检索方法明显落后于直接给出正确支撑页的 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% 至 24%。该事件目前仅有这一条报道，尚无早先报道可供比对，未出现数字或说法上的冲突。

AI 根据报道生成 · 56 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。