Шредбэнч: Оценка семантических возможностей мультимодальных МЛМ в деле реконструкции документации

arXiv:2604.23813v2 Annuales Type: заменить резюме: мультимодальные крупные языковые модели (MLMs) добились замечательных результатов в работе Visually Richled Document Computing (VRDU), однако их возможности оцениваются главным образом на основе нетронутых, хорошо структурированных изображений документов. Мы рассматриваем восстановление контента из разорванных фрагментов, сложную VRDU настройку, которая требует сочетания визуального распознавания рисунков с семантическим рассуждением при значительных разрывах в содержании. Чтобы облегчить систематическую оценку сложных задач ВРДВ, мы введем систему ShredBench — контрольный параметр, поддерживаемый автоматизированным трубопроводом поколения, который выводит фрагментированные документы непосредственно из Маркдауна. Предлагаемый трубопровод обеспечивает достоверность оценки, позволяя гибко интегрировать последние или невидимые текстовые источники для предотвращения загрязнения данных в ходе подготовки. "ShredBench" оценивает четыре сценария (английский, китайский, код, таблица) с тремя гранулами фрагментации (8, 12, 16 частей). Эмпирические оценки состояния