arXiv cs.CL· Jing Huang, Zhiya Tan, Changtao Miao, Shutao Gong, Yang Wang, Joey Tianyi Zhou, Jianshu Li, Ying Yan·· 11 小时前AI 评分31
DocSkill：面向多语言多跳文档问答的技能集成智能体推理框架
DocSkill: Skill-Integrated Agentic Reasoning for Multilingual Multi-Hop Document Question Answering
AI 导读
DocSkill 是一个带可学习技能编排策略的智能体框架，能根据证据状态选择、回访或跳过技能，并用有界 MCTS 离线生成轨迹，为 SFT 和 DPO 提供监督。
正文 · AI 翻译
摘要：多语言多跳文档问答（MMHop-DocQA）需要在复杂版式、文档页面和多种语言之间定位并整合证据。现有方法包括单次处理与自适应工具使用，但学习协调证据获取、跨页整合与答案验证仍具挑战性。为应对这一挑战，我们提出 DocSkill，一个具备学习型技能编排策略的智能体框架，用于自适应证据获取与推理。该策略根据不断演化的证据状态选择、重访或跳过技能。为构建技能编排的监督信号，有界蒙特卡洛树搜索（MCTS）在离线阶段探索备选技能轨迹。这些轨迹为监督微调（SFT）提供示范，并为直接偏好优化（DPO）提供偏好对。我们进一步提出 MMHop-DocBench，一个包含训练集与测试集的多语言多跳文档问答数据集，涵盖 10 种语言、八个文档领域的 6 万条问答对。其 HopGen 流程构建分层页面元素图，以推导可追溯的跨页证据路径，并生成带有页面级与元素级证据标注的基于证据的问答对。实验表明，采用 Qwen3-VL-8B 的 DocSkill 在 MMHop-DocBench 上取得 41.0 的准确率和 49.2 的 F1，分别比最强评估基线高出 5.5 和 6.3 分，并在 MMLongBench-Doc 和 DocBench 上取得有竞争力的表现。
| 评论： | 11 页，10 幅图，5 张表。预印本 |
| 主题： | 计算与语言（cs.CL）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.36759 [cs.CL] |
| （或 arXiv:2610.36759v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36759 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jing Huang [查看邮箱]
[v1]
2026 年 10 月 27 日星期二 07:14:59 UTC（2,977 KB）
来源：arXiv cs.CL · arxiv.org