long-document-understanding

DocAtlas 是一个研究系统，将长文档理解构建为可变状态交互过程，利用带有搜索、阅读、笔记和审查工具的外部文档框架。它在 MMLongBench-Doc 上使用 GPT-5.4 取得了最先进的结果，并通过端到端强化学习大幅改进了紧凑型 VLM 代理。

InSight-doc 是一个面向长文档理解的智能体视觉感知框架，在推理过程中自适应地分配视觉分辨率，在提高文档 VQA 基准准确率的同时减少幻觉和推理延迟。该论文发布了 8B 模型、数据集和代码。