arXiv Computer Vision· Yi-Cheng Wang, Chu-Song Chen·2026-11-06 13:00· 2 天前AI 评分31

面向长文档视觉理解的多模态图 RAG 与 DLVQA 基准

Multimodal Graph RAG for Long-range Visually Rich Document Understanding

AI 导读

研究者提出一种多模态图 RAG 方法，用知识图谱汇总视觉丰富文档的全局知识，以应对 MLLM 上下文窗口受限下的长文档理解难题。团队同时构建了文档级 VQA 基准 DLVQA，提供参考摘要与支撑事实。实验显示该方法在多跳 QA/VQA 基准和 DLVQA 上优于现有 MMRAG 与基于 KG 的方法。

来源：arXiv Computer Vision · arxiv.org

多模态论文研究 #论文/研究 #RAG #多模态