多模态文档理解

M3DocDep：基于大型视觉语言模型的多模态、多页、多文档依赖分块

M3DocDep: Multi-modal, Multi-page, Multi-document Dependency Chunking with Large Vision-Language Models

对做文档视觉理解的人，这篇给出了一个可复用的思路：把 OCR/版面解析结果统一到文档级坐标系，用边界感知的 SoftROI 做多模态块嵌入，再用 biaffine 打分重建跨页文档树——这套「视觉结构线索 + 全局依赖」的建模方式可直接迁移到多页文档检索、版面层级解析等任务。