arXiv · 机器人与计算机视觉· Zhuchenyang Liu, Yao Zhang, Yu Xiao·· 12 小时前AI 评分65
无坐标或区域标签下的视觉文档理解证据归因研究
Evidence Attribution in Visual Document Understanding without Coordinates or Region Labels
AI 导读
该研究针对视觉语言模型在坐标接口下存在的归因幻觉问题,对比了坐标与纯文本引用两种接口,发现后者能显著提升证据召回率并降低幻觉。基于此,作者提出了一种无需昂贵区域级监督的 GRPO 训练方案,通过让模型直接引用原文片段并由检索器定位位置,成功将 8B 骨干模型的严格归因准确率从 22.4% 提升至 33.8%,为视觉文档理解提供了新的实践路径。
来源:arXiv · 机器人与计算机视觉 · arxiv.org