arXiv Computer Vision· Zhuowen Liang, Xiaotian Lin, Yuyu Luo, Haixun Wang, Nan Tang·· 2 小时前AI 评分35
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 是一个面向长视觉文档理解的智能体框架，通过页面级导航和细粒度证据定位编排证据查找，并整合局部视觉检查、基于代码的数值推理与跨模态推理。研究提出课程式智能体训练，从单一能力学习逐步过渡到自适应编排，借助数据驱动的推理轨迹和可执行交互轨迹监督。
来源：arXiv Computer Vision · arxiv.org