DocTrace：基于层级证据图推理实现可追踪的长文档视觉问答

arXiv AI 发布论文 DocTrace，提出用于长文档视觉问答的可追踪证据图推理框架。该框架将 LongDocVQA 视为显式证据图推理问题，通过层级式证据定位、结构化文档解析和证据图推理实现证据溯源。采用两阶段训练：联合监督微调初始化能力，再以 GRPO 优化。在三个基准上比基线模型 Qwen3-VL-8B-Instruct 分别提升 14.4、11.3、11.7 个绝对点。

现有长文档视觉问答方法缺乏显式机制来表示和验证证据组合过程，导致准确性和可追踪性受限。DocTrace 将问题重构为证据图推理，显式构建带节点级溯源的证据图，不仅提升性能，还提供可追溯的推理路径，有助于提升复杂文档理解的可信度。

DocTrace 采用层级框架，先进行证据定位，再解析文档结构，最后进行证据图推理，使模型逐步组合证据。训练上先通过联合监督微调初始化证据定位和图推理能力，再用任务特定的组相对策略优化（GRPO）配合专门奖励进一步优化，从而在推理中产生显式的、节点级溯源的证据图。

对构建文档问答产品的团队，此方法可提升多页文档回答的准确性和可解释性，减少对隐含推理的信赖。通过在训练中引入显式证据图，可增强对用户质疑的响应能力，但需投入算力进行两阶段训练，且推理时生成证据图可能增加延迟和成本。

• 面向企业知识库场景，开发基于证据图的文档问答功能，提升回答的可追溯性。
• 将 DocTrace 训练策略用于现有 MLLM 微调，以提升长文档理解准确率。
• 利用证据图输出，构建可视化推理链路，增强用户对 AI 回答的信任。
• 基于 DocTrace 的基准性能，可与现有 RAG 管道对比，优化混合检索策略。

• DocTrace 在中文长文档上的表现尚未有公开证据。
• 两阶段训练的计算成本未提及，难以评估资源需求。
• 证据图推理在超长文档中的延迟和可扩展性未说明。
• 该方法是否适用于多模态混合文档（如扫描件）未有明确证据。