混合视觉-语言架构

M3Grounder：基于掩码的多跨度多粒度视觉定位用于文档问答

M3Grounder: Mask-Based Multi-Span and Multi-Granular Grounding for Document QA

将文档视觉定位从粗粒度边界框推进到像素级分割掩码，并引入多跨度、多粒度的层次化定位监督，为文档理解中的细粒度证据定位提供了可复用的分割式建模范式。