新框架用分层多模态记忆重建文档标题层级

Qian Chen 等研究者提出一个基于视觉语言模型（VLM）的框架，用分层多模态记忆增量重建长文档的标题层级，以解决 VLM 逐页预测标题层级时缺乏文档级一致性的问题。该记忆按锚点保留此前已处理页面的紧凑子集，本工作选取每层最近节点作为锚点。 研究者同时发布 CLDoc-HHRBench 基准，含 250 篇文档、11,212 页专家核验标注。作者称，在该基准及三个现有基准上的实验验证了方法有效。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。