arXiv · 机器人与计算机视觉· Zhuowen Liang, Xiaotian Lin, Yuyu Luo, Haixun Wang, Nan Tang·· 2026-10-16AI 评分65
DocPilot:面向长文档理解的交互式代理编排与训练方法
DocPilot: Interactive Agent Orchestration and Training for Long Visual Document Understanding
AI 导读
论文介绍 DocPilot 框架,旨在解决多模态长文档问答中稀疏证据检索难、跨模态推理弱及现有代理工作流僵化的问题。该方法通过页面级导航与细粒度定位编排证据搜索,融合局部视觉检查、代码数值推理与跨模态理解能力;提出基于课程学习的代理训练策略,利用数据驱动的推理轨迹和可执行交互轨迹进行监督,使小语言模型(SLMs)能逐步掌握从单一技能到自适应编排的能力。
来源:arXiv · 机器人与计算机视觉 · arxiv.org