document-understanding

LFRAG提出了一种面向布局的细粒度检索增强生成框架，该框架在多模态文档中从页面级检索转向块级检索，在新提出的LFDocQA基准上实现了最先进的性能，并将令牌数量减少了73%。

纳斯达克专访了Llama Index首席执行官Jerry Liu，讨论了该公司用于企业AI代理的文档理解与OCR技术，本次合作基于Wing VC的Enterprise Tech 30榜单。

LlamaIndex发布了ParseBench，这是一个用于评估AI智能体文档理解能力的全面基准测试，涵盖包含表格、图表和布局的复杂企业文档。将举办一场在线研讨会，讨论该基准测试的方法和结果。

Infinity 发布了两个开源权重模型，Infinity-Parser2-Pro（35B）和 Infinity-Parser2-Flash（2B），它们登顶了 ParseBench 文档理解排行榜，利用了合成数据引擎和一种新颖的联合强化学习算法。

CiteVQA 是一个面向文档视觉-语言模型的基准，它同时评估答案正确性与支持证据的引用，揭示了广泛的归因幻觉现象，即模型提供正确答案但引用错误区域。

DocScope 是一个新的基准测试，旨在评估多模态大语言模型在长文档上的可靠推理能力和可信度，引入了包含页面定位、区域定位、事实提取和答案验证四个阶段的评估协议。

DocAtlas是一个框架，通过差异渲染和合成生成，构建了覆盖82种语言的高保真OCR数据集和基准。它表明，直接偏好优化能够改善多语言模型的适配，而不会降低基础语言的性能。

NuExtract3 是一个 4B 参数规模的视觉-语言推理模型，用于文档理解，支持结构化提取和图像到 Markdown 的转换。

ParseBench 首次把图表理解放进整份企业文档中评测视觉-语言模型，填补了以往仅针对孤立图表的基准空白。

仅 1.7B 参数的多语言文档解析器 dots.ocr，用轻量体积实现 SOTA，证明文档理解无需巨无霸模型。

IBM 发布 Granite 4.0 3B Vision，这是一款专为理解企业文档而设计的紧凑型视觉语言模型，具备表格提取、基于 ChartNet 的图表解读以及键值对 grounding 等专业能力。