DocSeeker：结构化视觉推理与证据定位，攻克长文档理解难题

DocSeeker框架通过"分析-定位-推理"三阶段工作流和两阶段训练策略，解决多模态大模型在长文档理解中的信噪比低和监督信号弱问题，实现从短文档训练到超长文档的稳健泛化。该框架聚焦结构化视觉推理与证据定位，为长文档处理提供有效技术路径。

长文档理解中，现有多模态大模型性能随文档长度增加急剧下降，根源在于两点：1. 信噪比困境：关键信息（信号）被大量无关内容（噪声）淹没；2. 监督信号稀缺：现有数据集仅提供最终答案，缺乏证据来源标注，模型难以学习定位证据。

DocSeeker采用结构化视觉推理范式，三阶段工作流包括：1. 分析阶段：理解问题需求，形成搜索策略；2. 定位阶段：显式输出证据位置（页面/区域/文本级），增强可解释性与准确性；3. 推理阶段：基于定位证据生成答案。训练采用两阶段策略：先通过知识蒸馏从教师模型生成监督数据微调，再用证据感知强化学习优化证据定位与答案正确性。创新点包括证据引导的分辨率分配（动态分配计算资源）和与RAG系统的天然协同（微观定位+宏观检索）。

DocSeeker在多个基准测试中表现优越：1. 性能领先：超越现有方法，尤其在复杂定位问题上优势明显；2. 稳健泛化：短文档训练后可泛化到数百页超长文档；3. 领域迁移：在领域外任务表现出色。消融实验验证：去掉显式定位或强化学习阶段，性能显著下降；统一分辨率处理效率与性能均不如证据引导分配。

DocSeeker可应用于多领域：1. 法律文档分析：快速定位合同条款、比较版本；2. 金融报告审阅：提取财报关键指标、识别风险；3. 医疗记录处理：定位患者病史信息支持临床决策；4. 科学研究辅助：辅助文献综述，加速知识发现。

局限性：处理超长文档计算成本高；主要支持英文；复杂多跳推理能力待增强；实时交互响应延迟需优化。未来方向：优化计算效率、扩展多语言支持、增强多跳推理、提升实时性。结语：DocSeeker通过结构化推理与证据定位，有效解决长文档理解核心挑战，为可信AI系统构建提供基础，是信息爆炸时代的重要技术路径。论文链接：http://arxiv.org/abs/2604.12812v1