一个RAG突破方案，清华DocTrace爆发
今天分享的文章是百度联合清华提出DocTrace，把长文档视觉问答转为显式证据图推理–模型先构建证据图再基于图生成答案，让每步推理可溯源。三基准较Qwen3-VL-8B-Instruct提升14.4/11.3/11.7点超GPT-4.1。
思路起源
LongDocVQA要求多模态大语言模型在跨多页异构元素中定位整合推理证据。金融审计/医疗分析等高风险场景仅有准确预测不够，用户必须能审查每个结论如何从证据推导，显式证据组合与答案准确性同等重要。现有三类方法各有短板：
- 端到端MLLM：在隐含表示中隐式聚合证据，难审查
- RAG：把检索证据当无序上下文，未显式建模证据组合
- 文档智能体：迭代工具使用暴露中间动作，但推理仍是轨迹导向，未显式表示证据间依赖
共同短板：都不显式建模grounded证据如何逐步组合成最终答案，证据组合保持隐式，难验证难监督难改进。
方案细节
DocTrace受人类专家启发（渐进缩小搜索空间+组织证据成显式推理结构），把LongDocVQA转为显式证据图推理问题而非隐式答案预测。层次化由粗到细三阶段：证据定位 -> 结构化文档解析 -> 证据图推理，同时缩减推理空间并提供节点级证据溯源。
证据定位
全分辨率处理所有页计算不可行且常超上下文容量。DocTrace先在均匀下采样页上做粗粒度定位：
Pevid = fθloc(Dlow, Q)
给定低分辨率文档图像和问题Q，预测证据页索引集Pevid。仅这些页进入后续阶段，大幅缩减搜索空间。
结构化文档解析
定位的证据页用PaddleOCR-VL-1.5以原生分辨率处理，提取细粒度布局元素。每个元素：
bi = (ti, xi, ci)
- ti：语义类型（文本/表格/图/图表）
- xi：边界框
- ci：抽取内容
解析元素形成证据池 **B = {b1, …, bM}**，作后续图推理的原子证据单元。
证据图推理
给定结构化证据池，显式构建证据图：
G = (V, E)
- 每个节点：B中grounded证据块 或 中间推理结果
- 每条有向边：推理依赖
推理过程形式化：P(A, G | B, Q) = P(G | B, Q) · P(A | G, Q)
模型先构建证据图，再基于图生成最终答案。因每步推理显式grounded于文档证据，图天然提供节点级证据溯源。
训练数据构造
现有基准仅提供问答对，无法监督证据定位或图推理。DocTrace自动构造结构化监督，分4类训练场景：单页可答/多页可答/无关不可答/缺细节不可答，覆盖证据组合和校准拒绝。
- Gemini 3.1 Pro生成grounded证据页+证据图
- GPT-5.5独立验证证据充分性和逻辑一致性
- 仅验证通过样本保留
任务特定GRPO对齐
Stage1优化证据页定位，Stage3联合优化证据图生成和答案预测，配三类专用奖励：
定位奖励（距离感知软Fβ）：页定位是序数而非二值，接近ground-truth的预测应得更高奖励。精确匹配贡献h = |P̂ ∩ G|，未匹配gold页贪婪分配最近预测得距离相关软信用d(k)，k为页索引距离。
Rstage1 = (1+β²)·Prec·Rec / (β²·Prec + Rec)
图忠实度奖励：从四维度评估证据图Rgraph = wh·Rhit + wc·Rcomp + ws·Rstruct + wt·Rtopo
- Rhit：准确证据grounding（节点重叠最大化）
- Rcomp：完整且紧凑（抑制缺失步骤和冗余节点）
- Rstruct：结构有效性（可执行DAG约束+有效证据引用）
- Rtopo：与参考图拓扑一致的推理依赖
答案正确性奖励：Ranswer = α·Rexact + (1-α)·Rllm
- Rexact：确定性答案精确匹配
- Rllm：LLM验证器评估语义等价
- 不可答问题：证据不足时鼓励弃答，惩罚幻觉答案
Stage3奖励：Rstage3 = λ·Rgraph + (1-λ)·Ranswer
实验结果
三基准全优：MMLongBench-Doc 52.9（+14.4）超GPT-4.1(45.6) +7.3，LongDocURL 56.4（+11.3），SlideVQA 85.1（+11.7）。
证据图可信：证据grounding 99.5%，图完整性99.6%；反事实评估mask被引证据翻转82.8%，未被引仅9.6%。
图推理对长度鲁棒：检索覆盖率从70.6降到50.2但条件accuracy基本不变；消融显示图推理主要贡献跨页多跳（去图推理单页47.1 vs 44.6）。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～