arXiv cs.AI· Lewei Xu, Yihao Ding, Zihan Xu, Daniel Yitian Su, Daochang Liu, Siwen Luo, Yifan Peng, Wei Liu·· 11 小时前AI 评分34
多页富视觉文档理解系统失败定位：一项实证归因研究
Locating Failure in Multi-Page Visually Rich Document Understanding Systems: An Empirical Attribution
AI 导读
研究提出实证归因框架，通过在统一文档问答流程中做受控干预，定位多页富视觉文档理解（MP-VRDU）系统的失败环节。在 MMLongBench-Doc 上的实验显示，图像可缓解解析器错误，提取文本则降低对视觉分辨率的依赖；加入相关非金标页面既能修复错误答案也会破坏正确答案，即使标注证据齐全，揭示出聚合准确率之下的不稳定性。弃答以减少无支撑回答换取误拒，其与推理指令的交互因骨干模型而异。
正文 · AI 翻译
摘要：多页视觉丰富文档理解（MP-VRDU）系统在证据未被忠实表示、未被选中或未被正确使用时可能失败，然而仅凭最终准确率无法揭示失败发生在何处。我们提出了一个实证归因框架，通过在统一的文档问答流水线中进行受控干预来考察这些失败。在 MMLongBench-Doc 上的实验，结合跨数据集和跨模型家族的检查，表明互补模态可以降低对转换错误的敏感性：图像可缓解解析器错误，而提取的文本可降低对视觉分辨率的依赖。加入相关的非金标页面既可能修复错误答案，也可能破坏正确答案，即使所有标注证据都存在，这揭示了总体准确率之下的不稳定性。弃答以虚假拒答为代价换取减少无依据答案，而其与推理指令的交互在不同骨干模型上存在差异。定性示例和准确率—成本比较将这些发现与部署约束下关于表示、证据选择和推理器选择的指导联系起来。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2608.07943 [cs.AI] |
| （或本版本的 arXiv:2608.07943v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2608.07943 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Lewei Xu [查看邮箱]
[v1]
2026年8月8日星期六 06:07:55 UTC（1,121 KB）
[v2]
2026年10月15日星期四 05:26:28 UTC（901 KB）
来源：arXiv cs.AI · arxiv.org