面向多模态视觉问答的问​​题引导式证据获取

英文标题：Question-Guided Evidence Acquisition for Multimodal Visual Question Answering

该论文提出研究多模态视觉问答中的问题引导式证据获取。论文指出，多模态 LLM 虽然能够看到文档，但在直接视觉推理中往往无法可靠地读取其中的信息。小字号文本、表格、视觉线索和拓扑元素即使已经处于模型上下文中，仍会给模型带来困难。该研究对开发者的意义在于，文档理解类 Agent 和视觉问答系统可能需要围绕具体问题主动获取和核验相关证据，而非仅依赖整页图像的直接推理。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB