综述以任务为中心拆解长文档视觉问答并给出分类与未来方向。
资讯摘要
这篇论文提出一份以任务为中心的长文档视觉问答（VQA）综述，将任务拆解为文档解析、证据组织与检索、生成器组织与学习、评估四个组成部分，并为每部分建立细粒度分类体系，梳理动机、技术应对与跨组件联系。综述侧重显式检索并兼顾直接阅读，时间分析显示研究重点从多模态内容理解扩展到充分高保真证据获取与持续证据管理。作者提出证据充分性、可验证可纠正理解、预算感知协调等未来方向。
要点速读
- 论文将长文档 VQA 拆为文档解析、证据组织与检索、生成器组织与学习、评估四部分，并给出细粒度分类。
- 综述侧重显式检索，同时覆盖直接阅读，并追踪各组件间的联系。
- 作者提出证据充分性、可验证与可纠正理解、预算感知协调等未来方向。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/25 08:00:13（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。