💻 computer science

HierDoc: Hierarchical Page-to-Region Evidence Routing for Long-Document Visual Question Answering

يقدم HierDoc إطار عمل هرمي لتوجيه الأدلة يتكون من مرحلتين، يعمل على تحسين اختيار الصفحات واستخراج المناطق بشكل متسلسل باستخدام تقنية GRPO المرحلية مع مكافآت المجموعات المهيكلة، محققاً أداءً هو الأفضل في فئته في مجال الإجابة على الأسئلة المرئية للوثائق الطويلة عبر سد الفجوة بفعالية بين الاستحواذ العام على الصفحات والتحديد الدقيق للمناطق.

المؤلفون الأصليون: Rongjian Gu, Wengang Zhou, Junyu Xiong, Yonghui Wang, Bing Yin, Bei Wang, Houqiang Li

نُشر 2026-08-03

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Rongjian Gu, Wengang Zhou, Junyu Xiong, Yonghui Wang, Bing Yin, Bei Wang, Houqiang Li

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول حل لغز ما، ولكن بدلاً من الحصول على دليل واحد، وُضعت بين يديك كومة من مائة كتاب سميك ومليء بالرسومات التوضيحية. الإجابة على سؤالك مخبأة في مكان ما هناك—ربما في رسم تخطيطي صغير في الصفحة 42، أو جملة محددة في جدول في الصفحة 89. هذا هو عالم الإجابة على الأسئلة المرئية للمستندات (Document Visual Question Answering). إنه فرع من فروع الذكاء الاصطناعي حيث تحاول الحواسيب قراءة وفهم المستندات المليئة بالصور والمخططات والنصوص المختلطة معاً. لفترة طويلة، كانت هذه "القارئات" الحاسوبية تشبه الطلاب الذين لا يستطيعون سوى النظر إلى صفحة واحدة في كل مرة، أو أنها كانت تحاول قراءة كومة الكتب بأكملها دفعة واحدة، مما يؤدي إلى شعورها بالارتباك وفقدان التفاصيل الدقيقة. التحدي الكبير يكمن في معرفة كيفية العثور على الصفحة الصحيحة تماماً ثم التكبير على البقعة الصحيحة تماماً دون الضياع في وسط الضجيج.

الآن، تعرف على HierDoc، وهو أسلوب جديد يعمل كـ "محقق ذكي ذو خطوتين" لهذه الكومات الضخمة من المستندات. في السابق، كانت معظم الأنظمة الحاسوبية تشبه شخصاً إما يمسك بكتاب كامل آملاً أن تكون الإجابة بداخله، أو شخصاً عُرضت عليه صفحة محددة وطُلب منه البحث عن إبرة في كومة قش. نادراً ما كان بإمكانهم القيام بالخطوتين معاً بشكل جيد. يغير HierDoc قواعد اللعبة عبر تقسيم المهمة إلى مهمتين متميزتين ومتخصصتين. أولاً، يعمل "سياسة الصفحة" (Page Policy) ككشاف، حيث يمسح المستند بالكامل بسرعة لاختيار الصفحات التي من المرجح أن تحتوي على الإجابة فقط. إنه يشبه أمين مكتبة يعرف بالضبط الكتب الثلاثة التي يجب سحبها من الرف، متجاهلاً الكتب الأخرى السبعة والتسعين.

بمجرد اختيار الصفحات الصحيحة، يتولى "سياسة المنطقة" (Region Policy) المهمة. هذا الجزء يشبه محققاً يحمل عدسة مكبرة، ينظر إلى تلك الصفحات المحددة ويجد الفقرة أو المخطط أو خلية الجدول التي تحتوي على الدليل. إنه يتجاهل بقية الصفحة، ويركز فقط على "المنطقة" ذات الصلة. تظهر الورقة البحثية أنه من خلال معاملة هاتين الخطوتين كخطوتين منفصلتين ومحسنتين، يصبح النظام أفضل بكثير في العثور على الإجابات. في الاختبارات على الألغاز الصعبة ذات المستندات الطويلة، حسّن هذا النهج المكون من خطوتين الدقة بفارق كبير—تحديداً، فقد عزز الأداء بنسبة 16.87% في أحد الاختبارات الرئيسية مقارنة بأفضل الأنظمة المفتوحة السابقة. والأكثر إثارة للاهتمام، وجد الباحثون أن إضافة بحث "المنطقة" دقيق التفاصيل هذا فوق مجرد اختيار الصفحات جعل النظام أكثر دقة بنسبة 5.51% وأفضل بنسبة 4.82% في العثات على الأدلة الصحيحة (مقاساً بمقياس F1).

السر ليس فقط في أنه ينظر إلى أشياء أكثر؛ بل في كيفية تعلمه تجاهل الأشياء الخاطئة. يستخدم النظام طريقة تدريب تسمى GREO (تحسين السياسة النسبي للمجموعات - Group Relative Policy Optimization)، وهي تشبه مدرباً يقدم ملاحظات للفريق. بدلاً من مجرد قول "عمل جيد" أو "عمل سيء"، يقوم المدرب بمقارنة المحاولات المختلفة جنباً إلى جنب. إذا اختار النظام صفحات كثيرة جداً، فإنه يتعرض لعقوبة. وإذا فاته الدليل الصحيح، فإنه يتعرض لعقوبة أيضاً. إنه يتعلم موازنة الشمولية مع الدقة. تجادل الورقة البحثية صراحة ضد فكرة أنك بحاجة لتغذية الكمبيوتر بالمستند بأكمله أو أنه يمكنك الاعتماد فقط على نموذج واحد ضخم للقيام بكل شيء في آن واحد. بدلاً من ذلك، أثبتوا أن تقسيم المشكلة إلى "البحث عن الصفحة" ثم "البحث عن البقعة" يعمل بشكل أفضل بكثير.

ومع ذلك، يحرص المؤلفون على الإشارة إلى أن هذا ليس حلاً سحرياً يحل كل شيء بشكل مثالي. نظرًا لأن النظام يعمل في خطوات، فإذا أخطأت الخطوة الأولى (سياسة الصفحة) في اختيار الصفحة الصحيحة تماماً، فلن تتمكن الخطوة الثانية من إصلاح ذلك؛ إذ يضيع الدليل للأبد. كما يعتمد النظام على محلل (أداة تسمى MinerU) لتقسيم الصفحات إلى مناطق، لذا إذا ارتكب هذا المحلل خطأً أو كان النص غير منظم، فإن خيارات النظام ستكون محدودة. ولكن في الوقت الحالي، يظهر HierDoc أن تنظيم عملية البحث الحاسوبي في مسار هرمي واضح—من الصورة الكبيرة وصولاً إلى التفاصيل الدقيقة—هو وسيلة قوية لمساعدة الآلات على قراءة المستندات الطويلة والمعقدة.

أبحاث مشابهة