POSTECH论文：文档RAG瓶颈在视觉token预算

POSTECH 研究团队发表论文《Loud and Clear: Making Visual Evidence Count in Multimodal Document RAG》并提出免训练框架 LoC，指出多模态文档 RAG 的瓶颈常在生成端视觉 token 预算而非检索：论文测得五个主流方法平均每查询仅向生成器喂入 0.72K–2.68K 视觉 token；把纯页图预算从 1K 提到 32K 后，SciEGQA 准确率从 65.74% 升至 80.96%。 论文称真正划算的预算区间在 s=1.5 到 2.25 之间。实验存在明确限制：只测英文文档、三个 Qwen 系生成器和单一评审模型，strict 口径下部分正确的答案记 0 分。论文（arXiv 2610.21318）与代码已开源。

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。