arXiv发布DocPilot长文档理解框架

发生了什么

据arXiv论文，DocPilot是面向长视觉文档理解的交互式智能体编排与训练框架。该框架支持通过页面级导航和细粒度证据定位寻求证据，并集成局部视觉检查、基于代码的数值推理及跨模态推理。针对小语言模型，提出基于课程的智能体训练方法。在MMLongBench-Doc等基准测试中，DocPilot-4B展现出与大模型竞争的性能。