Разблокирование мультимодальной информации о документах: от текущих триумфов до будущих границ Визуальных документов
arXiv:2602.19961v3 Annuales Type: заменить резюме: с быстрым распространением мультимодальной информации Visual Document Retrieval (VDR) стала важнейшим рубежом в деле преодоления разрыва между неструктурированными данными, богатыми визуальной информацией и получением точной информации. В отличие от традиционного естественного поиска изображений, визуальные документы обладают уникальными характеристиками, определяемыми плотным текстовым содержанием, запутанными компоновками и тонкозернистым семантическим зависимостью. В этом документе рассматривается ландшафт VDR как самоцель, а не передняя часть трубопровода поколения и делается это конкретно сквозь призму эпохи мультимодальной модели большого языка (MLM). Мы начнем с изучения эталонного ландшафта, включая недавний переход к взвешенной оценке и затем ныряем в методологическую эволюцию по двум ортогональным осям: что такое ретривер, который охватывает мультимодальные модели внедрения и перерасчетные модели, а также как он используется от одноэтапного поиска