arXiv cs.CL· Wenlin Lin, Fanzhe Wei·· 6 天前AI 评分34
KnowForge：面向开放域多模态文档问答的角色分工工具智能体与知识点索引
Locate, Judge, Read: Role-Specialized Tool Agents over a Knowledge-Point Index for Open-Domain Multimodal Document QA
AI 导读
KnowForge 用角色分工的智能体流水线做开放域多模态文档问答：Locator 只负责搜索，桥接裁判强制补上第二跳，Deep Reader 只读文本、图像和表格。
正文 · AI 翻译
摘要：面向大规模异构文档集合的问答需要先找到正确的段落，然后再阅读它们，然而当前的检索增强智能体将这两类工具都交给同一个模型，并让它自行调度。我们提出 KnowForge，一条按职责分离的流水线：一个混合检索的知识点索引；一个只能搜索的 Locator 智能体；一个由代码调度的桥接评判器，强制补上缺失的第二跳；一个带类型、大小受限的证据池，合并每次搜索的排序结果；一个只能阅读文本、图像和表格的 Deep Reader 智能体；以及一个带格式检查器的合成器。在自托管的 Qwen3.6-35B-A3B（3B 激活）上，KnowForge 在完整的开放域 M3DocVQA（2,441 个问题，3,368 个 PDF）上达到 F1 47.5，比已发表的 M3DocRAG 系统高 11.0，比在同一索引和模型上的一次性检索并回答高 7.1，使用 DeepSeek-V4-Flash 时达到 53.5。在 MultiHop-RAG 上，它达到 73.5 的准确率，高于已发表的最强 RAG 和 GraphRAG 结果（71.2）；在单文档的 MMLongBench-Doc 上，它将同一模型从 34.8 提升到 47.0，与 GPT-4o 阅读页面图像（46.3）持平。在完整基准上按职责进行的消融实验归因了增益：Deep Reader 在三个语料库上分别价值 3.8、9.8 和 0 分，与各语料库的视觉程度相关；将两个智能体合并为一个、拥有所有工具并加倍轮次会损失 1.9 F1，因为它持续搜索而不是阅读；轮次预算扫描显示在四轮 Locator 处出现阶跃，之后趋于平台；查询延迟随模型调用次数而非语料库规模扩展。我们将三个已索引的基准作为只读知识库提供（免费注册），并发布所有提示词和运行器代码：this https URL
| Comments: | 17 页，3 幅图，11 张表。代码、提示词和基准运行器：this https URL |
| Subjects: | 人工智能（cs.AI）；计算与语言（cs.CL）；信息检索（cs.IR） |
| Cite as: | arXiv:2610.13128 [cs.AI] |
| （或 arXiv:2610.13128v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.13128 arXiv 颁发的 DOI 经由 DataCite（待注册） |
Submission history
来自：Wenlin Lin [查看邮箱]
[v1]
2026 年 10 月 9 日星期五 07:21:36 UTC（47 KB）
来源：arXiv cs.CL · arxiv.org