arXiv cs.AI· Simon Ott, Yufan Chen, Ruiping Liu, Junwei Zheng, Jiale Wei, Di Wen, Kunyu Peng, Jiaming Zhang, Rainer Stiefelhagen·· 3 天前AI 评分26
VL-DocIR：面向视觉长文档信息检索的基准
VL-DocIR: A Benchmark for Vision-Based Long Document Information Retrieval
AI 导读
VL-DocIR 是一个面向视觉长文档检索的页面级基准，由 Wikipedia、arXiv、PubMed 和 SEC 代理声明的 29,641 篇 HTML 文档渲染为 388,548 张页面图像，包含 23 个领域、271,760 条查询和六种证据结构。
正文 · AI 翻译
摘要：基于视觉的文档检索已迅速进步，但当前的评估设置仍侧重于短文档和单一相关页面。这使得排行榜性能与真实的长文档检索之间存在重要差距，后者回答查询所需的证据可能跨越多个页面甚至多个文档。我们提出 VL-DocIR，一个面向证据完整视觉长文档检索的页面级基准。VL-DocIR 由来自 Wikipedia、arXiv、PubMed 和 SEC 委托书的 29,641 份 HTML 原生文档渲染而成的 388,548 张页面图像构建。它包含跨越 23 个领域和六种证据结构的 271,760 条查询，涵盖单页、文档内多页和跨文档证据配置。证据标注锚定到渲染页面和 HTML 元素标识符，查询通过针对清晰性、正确性、封闭性和无显式布局引用的清洗流程进行过滤。我们评估了领先的单向量和多向量视觉检索器，以及文档上下文评分、查询拆分、重排序和轮询集成等诊断性检索设置。在结构均衡的 Macro 评估下，评估的最强配置达到 69.3 nDCGAll@10 和 80.6 RecallAll@10，但来源和证据结构细分显示，跨文档检索仍比单页检索困难得多，且文档上下文评分对文档内多页查询尤其有帮助。VL-DocIR 揭示了这些失败模式，并为视觉长文档检索提供了更具挑战性的目标。新数据集和代码将在 此 https URL 公开。
| Comments: | 被 NeurIPS 2026 接收 |
| Subjects: | 人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.17057 [cs.AI] |
| （或 arXiv:2610.17057v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17057 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Yufan Chen [查看电子邮件]
[v1]
2026年10月12日星期一 16:25:31 UTC（8,006 KB）
来源：arXiv cs.AI · arxiv.org