arXiv cs.CL· Ruochi Li, Jianzhe Lin, Haoxuan Zhang, Haihua Chen, Junhua Ding, Edward Gehringer, Yang Zhang·· 10 天前AI 评分24
TopoGraphRAG-Bench：评估多模态 GraphRAG 的布局证据推理基准
TopoGraphRAG-Bench: Evaluating Multimodal GraphRAG on Layout-Grounded Evidence Reasoning
AI 导读
研究者发布 TopoGraphRAG-Bench，一个面向多模态 GraphRAG 的布局证据推理基准，包含 201 篇长文档上的 2,024 道问题，覆盖单跳检索、桥接链推理和多源综合三种拓扑结构。
正文 · AI 翻译
摘要：真实世界文档在复杂的页面布局中将证据分散于文本、表格、图形和标题之中。因此，对此类文档回答复杂问题不仅需要检索相关段落：系统必须恢复连接异构证据单元的证据拓扑结构。现有的 GraphRAG 评估仍以文本为中心，而多模态文档 RAG 基准评估跨模态检索与生成，却不直接评估对预期证据拓扑结构的恢复。我们提出 TOPOGRAPHRAG-BENCH，一个面向 GraphRAG 中多模态证据推理的、基于布局的基准，包含 201 篇篇幅长、视觉丰富的文档上的 2,024 个问题。问题在三种受控拓扑结构下自底向上由文本、图形和表格证据单元构建：单跳检索、桥接链推理和多源综合。为确保问题保持其预期结构，我们应用反事实验证以检验捷径抵抗性、模态必要性和证据必要性。我们使用检索、生成和拓扑感知推理指标评估纯文本 GraphRAG、页面级视觉检索和多模态 GraphRAG 系统。多模态 GraphRAG 系统取得最强的整体性能，但当视觉-文本证据对齐或多单元组合不完整时仍会失败。当关键依赖关系基于图形或表格时，纯文本 GraphRAG 表现不佳，而页面级视觉检索缺乏拓扑恢复所需的细粒度结构。这些发现推动 GraphRAG 系统超越文本衍生的实体关系图，显式建模文档布局、跨模态证据对齐以及证据单元的推理角色。代码和数据见 此 https URL。
| Comments: | 被第 40 届神经信息处理系统大会（NeurIPS 2026）接收 |
| Subjects: | 人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.09360 [cs.AI] |
| （或 arXiv:2610.09360v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.09360 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Ruochi Li [查看电子邮件]
[v1]
2026 年 10 月 7 日星期三 03:15:31 UTC（1,526 KB）
来源：arXiv cs.CL · arxiv.org