LoC多模态文档RAG方法提出

2026年10月16日，arXiv Computer Vision 刊出 Eunchan Jo 等作者的论文，提出名为 Loud and Clear（LoC）的多模态文档 RAG 方法。据该报道，LoC 将更高分辨率的页面与来自查询相关区域的 OCR 结合，无需 ground-truth 标注或额外训练。报道指出，多模态文档 RAG 的瓶颈不只在检索，还在于生成器如何读取检索到的页面：在 SciEGQA oracle 页面上，把页面视觉 token 预算从 1K 提到 32K 可提升准确率 15.22 分；在固定 16K 预算下加入 ground-truth 裁剪可再提升 3.75 分。上述数字与条件均出自该报道，仅代表该来源的说法。

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。