arXiv · cs.AI· Zhuowen Liang, Xiaotian Lin, Yuyu Luo, Haixun Wang, Nan Tang·· 6 小时前
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
arXiv:2610.21327v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Zhuowen Liang, Xiaotian Lin, Yuyu Luo, Haixun Wang, Nan Tang
研究任务与主要进展
DocPilot是一种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视觉检查、代码数值推理与跨模态推理。作者还提出从单项能力学习到自适应编排的课程式训练；基于论文摘要，DocPilot在MMLongBench-Doc、DocBench、FinRAGBench-V和MADQA上取得较强增益，DocPilot-4B相较更大模型具有竞争力。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org