DocPilot：长视觉文档理解的交互式智能体框架

2026年10月16日，arXiv cs.AI 刊出 DocPilot，一个面向长视觉文档理解的交互式智能体框架。该框架通过页面级导航与细粒度证据定位检索证据，并整合局部视觉检查、基于代码的数值推理与跨模态推理三种能力。训练上采用课程式智能体训练，从单能力学习逐步进阶到自适应编排，使小语言模型也能掌握复杂文档求解。据论文，DocPilot-4B 在 MMLongBench-Doc、DocBench、FinRAGBench-V 和 MADQA 四个基准上可与更大模型竞争，代码已公开。目前尚无后续报道，暂无与早先报道不一致之处。

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。