arXiv · 机器人与计算机视觉· Qingtao Xia, Siyao Cheng, Jiahua Bao, Jiaxing Du, Jie Liu·· 2026-10-05精选AI 评分78
Found but Not Read:提取文本如何填补文档视觉语言模型的检索 - 阅读差距
Found but Not Read: When Extracted Text Closes the Retrieval-Reading Gap in Document Vision-Language Models
AI 导读
论文指出文档问答任务中存在‘找到但未读’的现象,即检索到的页面图像虽含证据但模型难以利用。研究通过对比仅用图像与加入 OCR 提取文本的效果发现,在 FoveDoc-Bench 基准上,添加 CPU-OCR 文本使严格准确率提升 13 至 16 个百分点,精确文本层可进一步将增益翻倍。
推荐理由
该研究揭示了文档视觉语言模型中检索与阅读之间的差距,证明提取文本能显著提升基于文本证据的问答准确率,但对图表无效。
来源:arXiv · 机器人与计算机视觉 · arxiv.org