document-understanding

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。

本文介绍了 CommonForms，一个大规模、多样化的表单字段检测数据集，以及在该任务上实现高精度的 FFDNet 模型。数据集、模型和代码均已开源。

RAGFlow 是 Infiniflow 开发的开源 RAG 引擎，它利用深度文档理解从文档中提取和组织知识，支持多种 LLM 和自托管，从而实现可靠的检索增强生成。