视觉元素引用

VinQA：面向真实世界多模态文档问答的视觉元素交错长答案生成

VinQA: Visual Elements Interleaved Long-form Answer Generation for Real-World Multimodal Document QA

提出将文档页面中的视觉元素（表格、图表、照片等）与文本交错生成长篇答案的任务，并系统比较了整页编码与模态编码两种视觉元素输入方式，为多模态文档理解与生成提供了可复用的数据构建、编码方案和评测框架（M-GroSE、Visual Source F1）。