DocPilot：长视觉文档理解智能体框架

2026年10月16日，arXiv Computer Vision 刊出 Zhuowen Liang 等人的论文，提出 DocPilot——一个面向长视觉文档理解的智能体文档框架。据该报道，DocPilot 通过页面级导航与细粒度证据定位来编排证据查找，并整合局部视觉检查、基于代码的数值推理与跨模态推理；研究同时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，使复杂文档求解可被小语言模型（SLM）学习。论文注明代码已公开（The code is available at this https URL）。目前该事件仅此一篇报道，尚无后续跟进，故不存在与早先报道在数字、时间或说法上的矛盾。

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。