arXiv · Computer Vision· Qingtao Xia, Siyao Cheng, Jiahua Bao, Jiaxing Du, Jie Liu·2026-10-05 12:00· 16 小时前AI 评分36

检索到却读不懂：提取文本何时弥合文档视觉语言模型的检索—阅读鸿沟

Found but Not Read: When Extracted Text Closes the Retrieval-Reading Gap in Document Vision-Language Models

AI 导读

研究提出检索—阅读鸿沟：文档视觉语言模型（VLM）即使检索到正确页面，也常不利用其中证据。在带可追溯证据的 FoveaDoc-Bench 上，检索几乎覆盖全部证据页，但加入 CPU-OCR 文本使严格准确率提升 13 至 16 个百分点，精确文本层约使增益翻倍。