ACL 2026|Doc-V*:把百页文档问答变成一场主动阅读

论文标题：Doc-V*: Coarse-to-Fine Interactive Visual Reasoning for Multi-Page Document VQA

论文链接：https://arxiv.org/abs/2604.13731

发表信息：ACL 2026 Main Conference Long Paper

1 从“输入文档”改成“探索文档”

Doc-V*把问答建模为连续的证据聚合过程。系统先把文档页面排成低分辨率缩略图，让模型获得章节分布、页面类型和显著视觉区域等全局线索。随后，智能体可以执行语义检索或按页码抓取高清页面；每次观察后，它都会更新工作记忆，再决定继续寻找、核对已有证据，还是输出答案。

这种设计尤其适合跨页问题。比如需要统计多处签名时，智能体先从缩略图定位疑似页面，读取高清内容后发现实例可能不完整，再检索包含签名的其他页面。它不要求一次检索命中全部证据，而是允许推理过程反过来修正阅读路径。

100页文档若逐页按1024×768输入，会产生超过10万个视觉token；论文的缩略图方案约需8000个，实现约10—12倍压缩。缩略图负责导航，高清页负责确认细节，两种分辨率各司其职。

2 两阶段训练让智能体学会停下来

训练首先从MP-DocVQA和DUDE构造交互轨迹。作者用教师模型在真实工具环境中完成检索、翻页与回答，并按格式、答案正确性和证据页合理性过滤，得到9019条高质量轨迹用于监督微调。第二阶段从2048个不重叠样本出发，使用GRPO优化策略。

奖励不只看最终答案，还同时评价证据页质量和输出格式。这样，模型既不能为了省步骤草率作答，也不能无限翻页。论文的效率图显示，Doc-V*通常只读取少量高清页，却能维持更高的答案分数和证据页F1，收益来自更有效的选择，而不是更多输入。

3 五个基准上的结果

在同为Qwen2.5-VL-7B骨干的对比中，GRPO版Doc-V*在DUDE、MP-DocVQA、SlideVQA、MMLongBench-Doc和LongDocURL上分别取得64.5、86.2、77.2、42.1和56.3。相比固定检索5页的RAG基线，DUDE提升12.3个点，LongDocURL提升18.5个点；相比直接输入的基础模型，LongDocURL提升23.4个点。

更值得注意的是迁移能力。训练数据来自两个文档问答集合，但模型在幻灯片和超长文档上仍有明显增益，说明“先定位、再取证、最后回答”的策略比某个固定检索器更容易跨场景复用。

4 总结

Doc-V*的核心贡献不是给模型增加更多上下文，而是把上下文变成可按需访问的环境。缩略图保留全局结构，检索和高清取页补充细节，工作记忆把分散证据串起来，GRPO则让阅读路径兼顾正确率与成本。

目前实验主要围绕单文档、多页问答，并基于Qwen2.5-VL-7B训练；跨文档搜索、更多骨干模型以及真实系统中的工具延迟仍需进一步验证。但对于长财报、档案和技术手册，这条路线提供了一个明确方向：真正困难的不是模型能看多少页，而是它是否知道下一页该看哪里。