Tag · 4 篇

文档解析

分布视觉语言模型3数据集与评测1

Towards Real-World Document Parsing via Realistic Scene Synthesis and Document-Aware Training

对做文档/图表类视觉理解的人，这篇提供了可复用的思路：用布局模板+文档元素合成大规模全页端到端监督数据，配合渐进式学习与结构 token 优化来抑制 MLLM 的重复与幻觉输出；Wild-OmniDocBench 也可直接用于评测随手拍文档的鲁棒性。

TRivia: Self-supervised Fine-tuning of Vision-Language Models for Table Recognition

把 GRPO 式的强化学习自监督微调用在 VLM 上，用「识别结果能否被正确问答」构造无需标注的奖励信号，并配注意力引导的多样化问题生成；这套闭环奖励设计可迁移到任何缺乏标注的结构化图像解析任务（如公式、图表、版面解析）。

SEA-Vision: A Multilingual Benchmark for Comprehensive Document and Scene Text Understanding in Southeast Asia

该基准为多语言文档与场景文本理解提供了细粒度标注（页/块/行级）和五类推理的TEC-VQA，可用于评估多模态大模型在低资源语言上的性能退化，并推动文档解析与文本中心视觉问答的鲁棒性研究。

Boosting Document Parsing Efficiency and Performance with Coarse-to-Fine Visual Processing

VRFM 用定位与上下文关系预测筛出有效视觉 token、抑制背景冗余，这一「先粗筛区域再细识别」的 token 选择思路可直接迁移到高分辨率图像输入下的任意 VLM 任务（如高分辨率 OCR、图表理解、遥感图文），在保持精度的同时大幅削减视觉 token 数与推理成本。