ARTICLE · 1187552

NeurIPS 2026 | 不止读懂文档:DocAtlas与XL-DocBench,让长研究可积累、可检验

发布时间：2026-10-15 19:25:16 最近访问：2026-10-15 19:25:18

（本文阅读时间：18 分钟）

阅读技术报告时，我们经常会发现，一份报告的结论可能写在摘要里，成立条件藏在方法章节，关键数字位于表格，限制则出现在附录。所以找到一句相关的话，并不等于研究清楚一个问题。如果每次追问都要重新翻找，那阅读成果便难以积累；如果评测只看最终答案是否正确，那么将很难判断系统究竟读到了什么、遗漏了什么。

近期，微软亚洲研究院推出的 DocAtlas 与 XL-DocBench，分别从研究过程与能力评测两个方向探索了长文档理解：DocAtlas 让智能体能够在搜索、阅读、记录和回顾之间持续推进研究；XL-DocBench 则通过超长专业文档、人工证据标注以及细粒度任务，系统检验模型能否找到所需信息，并据此进行可靠推理。两项工作使长文档理解成为了一个有依据、可积累、可核验的研究过程。相关论文已被NeurIPS 2026接收。

相关信息已整理至文末，欢迎点击了解更多技术详情。

DocAtlas：让每一次阅读，都为后续研究留下线索

一份 PDF 的章节、页码范围和摘要可以形成一棵可导航的文档树。多份文档也可以组织在同一个集合中，同时保留各自的树结构和来源身份。文档树能够帮助智能体判断阅读方向，但章节摘要和搜索结果并不会自动成为最终证据。

为了让这些线索能够持续参与后续研究，DocAtlas 将长文档理解建模为智能体与可积累研究状态之间的持续交互，而不只是一次性检索后直接生成答案。

- Search 找方向，Read 查原文。

在DocAtlas中，主模型会首先定位可能相关的区域，再根据需要打开文本、页面图像或图表。如果现有材料不足以支持判断，那么智能体可以沿着新线索继续探索，不会再机械地消耗固定数量的检索片段。

- Note 保存发现，Review召回记录。

笔记不只记录一句结论，还可以保留信息来源、已知条件和尚未解决的问题。DocAtlas的页级发现可以为对应的文档树节点补充研究注释，使后续搜索在能够利用新线索的同时，保持原始 PDF 和原有章节摘要不变。

图 1：DocAtlas 概念图。四种工具按需使用，并非每个问题都必须经过一遍固定流程；研究记录也不等同于已验证的证据。

例如，读者可以先了解一篇论文的主要贡献，再核对支撑结论的实验设置，并把限制条件保存下来。下一次追问时，Review可以召回与当前问题相关的记录，无需重新载入全部历史材料。但涉及重要判断时，仍需回到原文进行核对。

这与“把聊天记录再总结一遍”不同。DocAtlas积累的是带有来源、能继续追踪的研究发现，而非没有出处的压缩文本。这里的工作记忆也不意味着自动训练模型，或形成个人偏好记忆。

DocAtlas的关键并不只是增加几种工具，更在于把“下一步读哪里”交给一个能感知已有研究状态的过程。局部问题可能只需阅读少量页面，但当面对跨章节关系时，智能体则可以继续寻找并补齐缺失条件。由于新发现可能改变后续的探索方向，所以已经保存的线索也仍需接受原文核验，而不会因为进入笔记就自动成为正确结论。

对研究者而言，这意味着“已经知道什么”与“仍然不知道什么”都可以被保留下来。例如，一条记录可以同时包含某项结论、该结论适用的实验设置，以及尚未检查的例外。之后继续追问时，研究不必只从上一条回答出发，而能够沿着这些有出处的线索进一步推进。

从论文中的方法，走向可以实际操作的研究工具

除了论文，DocAtlas 还提供了开源 TUI，其Web版本则提供了本机研究预览。两种入口都可以使用DocAtlas 论文进行演示。

在终端中选择 PDF 后，用户即可开始提问。工作台会展示真实的工具活动，包括寻找相关章节、读取材料和组织回答。用户可以继续追问，也可以检查会话过程中已经积累的研究发现。

图 2：真实 TUI 演示

Web 界面能够把模型回答与原文核验放在同一个工作流中。用户可以上传论文并提出问题，点击引用打开原始 PDF，也可以选中段落，围绕明确的上下文继续追问。遇到值得保留的内容时，还可以单独保存一条来源清晰的笔记。

图 3：上图为原文核对；下图是保存研究记录。TUI 与 Web 是独立会话；Web 为本机研究预览，暂未公开部署。

文档地图中的新增或修订提示都属于研究层，不会改写原始目录。保存笔记也不必触发一次新的模型回答。需要注意的是，论文中的 Review 笔记召回，与 Web 中的人工审阅工作区并不是同一种能力，不应混为一谈。

这种界面上的可见性同样重要。读者可以区分模型生成的表述与 PDF 中实际出现的内容，核对引用是否支持当前判断，再决定哪些发现值得保留。因此，研究工具的价值不只是省去几次翻页，更在于让阅读、核对与记录成为连续研究过程中的不同环节。

XL-DocBench：比“1,519 道题”更重要的是题目如何构成

一个顺利完成的演示，并不足以说明系统能处理各种类型的长文档。

现阶段已有的基准各有侧重：单页任务主要考察视觉与表格理解；多页任务增加跨页查找；长上下文任务扩展素材长度；领域基准则引入专业知识。新的问题是，一个基准能否同时覆盖超长专业材料、跨页与跨文档证据、多模态内容，以及可以核验的推理规则？

XL-DocBench关注的正是这种综合覆盖。它不仅能够衡量答案是否正确，还可以通过证据标注和任务分类，为分析系统的失败原因提供依据。XL-DocBench包含1,519 道题、331 份文档、6 个领域和 12 类推理。六个领域覆盖金融商业、法律监管、医疗临床、技术工程、科学学术及叙事文学，并非只围绕某一种报告或单一类型文档出题。

图 4： XL-DocBench 在六个领域的问题分布

长的不只是文档，证据之间也有距离

在XL-DocBench中，原始文档合计有 98,342 页，平均每份文档 297.1 页，中位数 211 页，最长的单份文档有 2,062 页。对于由多份文档组成的系列，一道题的完整上下文可能横跨多个 PDF，最长达到 2,303 页。需要特别区分的是，单份文档长度和一道题所涉及的上下文长度，是两个不同的统计对象。

图 5：XL-DocBench 的上下文长度与证据跨度分布。上图展示题目涉及的上下文长度，下图展示人工标注的证据跨度。

经研究员调研显示，人工标注的证据页数平均为 2.30 页、最多 24 页；证据跨度中位数为 7 页，P95 为 255 页，最大达到 1,002 页。一道题最终需要的证据页可能并不多，但这些页面或许相隔很远。因此，“最终引用了几页”不能代替“定位这些页面有多难”，证据跨度也不等于模型实际阅读的页数。

跨页、多模态和跨文档，可能同时出现

在XL-DocBench的全部问题中：1,103 道题需要多页证据，占72.6%；556 道涉及表格、图表或图像，占 36.6%；165 道属于跨文档任务，占 10.9%。另有 218 道采用 None 答案格式，用于检验系统在支持不足时能否避免猜测。

图 6：XL-DocBench 的证据页数、跨文档证据与答案形式分布。上图展示单页、多页及跨文档题目涉及的证据页数，下图展示不同模态与答案格式的问题数量。

跨文档问题可能通过定义、引用或上下文依赖多份文件，但最终标注的支持页可能只聚焦在其中少数文件上。因此，不能把“人工证据落在多个 PDF中”直接等同于全部 165 道跨文档任务；同样，也不能把所有不属于跨页任务的样本都称为单页可回答题。

十二类推理任务，帮助定位系统究竟失败在哪里

XL-DocBench 的十二类推理任务分为三个层次：基础层包括比较与引用链；结构层包括排序、覆盖与信息对齐；更高层还包括集合差、不可回答、时间关系、合规、反事实、聚合和一致性。

图 7：XL-DocBench 的推理任务类型及证据覆盖情况。上图展示十二类推理任务的问题数量与占比，下图比较不同推理类型所需的平均人工证据页数和相关 PDF 数量，体现不同任务在证据需求上的差异。

这些标签的意义在于，让“没有找到相关页”、“没有找全一个集合”和“没有正确应用规则”等不同问题可以被分别研究。即使两个系统的总分接近，它们的能力短板也可能完全不同。

模型提出候选，专家建立最终依据

面对动辄数百页、甚至上千页的材料，仅靠模型自由生成问题，并不足以建立可靠的评测基准。对此，XL-DocBench 采用了一套人工引导、模型辅助的树引导构造流程。

图 8：XL-DocBench 的树引导式数据构建与人工核验流程

首先，系统基于不同章节分支的摘要提出候选问题，并按领域和推理类型控制采样。随后，系统逐个隐藏分支，让模型判断缺少该分支后是否仍能回答问题。如果仍可作答，那么就不能把它保留为依赖这些分支的候选题。但这一检查只用于筛选候选问题，不能证明已经找到了最小证据集合，也不会直接确定最终的证据页面。

通过筛选的题目，系统会逐层展开到具体页面，细化作答条件、答案形式和核验规则。此时，模型给出的答案和支持材料仍是草稿。最后，194 位专家访问完整源文档，重新回答问题，标注具体的支持页和原句，并检查答案、歧义与规则。质量过滤在人工核验之前和之后都会进行，以处理常识捷径、措辞泄漏、支持不足和无意义算术等问题。