💻 संगणक विज्ञान

VGA-KIE: Reliable Layout-Aware Key Information Extraction from Visually Rich Documents via Evidence-Grounded Verification and Repair

यह शोध पत्र VGA-KIE प्रस्तुत करता है, जो एक मॉड्यूलर पोस्ट-हॉक विश्वसनीयता ढांचा (framework) है जो साक्ष्य-आधारित अवस्था परिभाषा (evidence-grounded state definition), प्रकारित विफलता निदान (typed failure diagnosis), और पुन: सत्यापन के साथ विफलता-सशर्त मरम्मत (failure-conditioned repair) को युग्मित करके दृष्टि-समृद्ध दस्तावेजों से प्रमुख सूचना निष्कर्षण (Key Information Extraction) को बढ़ाता है, जिससे कई बेंचमार्क में फील्ड-F1 स्कोर, साक्ष्य सटीकता और मरम्मत सफलता दर में महत्वपूर्ण सुधार प्राप्त होता है।

मूल लेखक: Yuepeng Shi, Ning Kong, Bo Peng, Meng Wang

प्रकाशित 2026-11-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuepeng Shi, Ning Kong, Bo Peng, Meng Wang

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

हर दिन, हम ऐसे दस्तावेज़ों से घिरे होते हैं जो एक इंसान को सरल लगते हैं लेकिन एक कंप्यूटर के लिए भ्रमित करने वाले होते हैं। एक रसीद, एक अनुबंध, या एक मेडिकल फॉर्म केवल शब्दों की सूची नहीं है; यह एक दृश्य पहेली है जहाँ एक संख्या का अर्थ पूरी तरह से इस बात पर निर्भर करता है कि वह पृष्ठ पर कहाँ स्थित है। क्या वह "100" एक कीमत है, एक मात्रा है, या एक तारीख है? इसका उत्तर देने के लिए, एक मशीन को लेआउट, रिक्ति और पृष्ठ के विभिन्न हिस्सों के बीच के संबंध को समझना होगा। यह चुनौती, जिसे 'की इन्फॉर्मेशन एक्सट्रैक्शन' (key information extraction) के रूप में जाना जाता है, आधुनिक स्वचालन की रीढ़ है, जो व्यवसायों को इनवॉइस प्रोसेस करने, बैंकों को चेक पढ़ने और अस्पतालों को बिना मानवीय हस्तक्षेप के रोगी के रिकॉर्ड को डिजिटल करने की अनुमति देती है। वर्षों से, शोधकर्ताओं ने कंप्यूटर को टेक्स्ट पहचानने और यह अनुमान लगाने के लिए सिखाया है कि जानकारी कहाँ हो सकती है, लेकिन एक निरंतर समस्या बनी हुई है: कंप्यूटर अक्सर गलत कारण से सही उत्तर दे देता है, या वह आत्मविश्वास के साथ पृष्ठ के गलत स्थान से कोई संख्या निकाल लेता है।

VGA-KIE नामक एक नया दृष्टिकोण, जिसे हेनान यूनिवर्सिटी ऑफ एनिमल हस्बैंड्री एंड इकोनॉमी के शोधकर्ताओं द्वारा विकसित किया गया है, इस समस्या को इस बात को बदलकर हल करता है कि एक कंप्यूटर यह कैसे तय करता है कि कोई उत्तर भरोसेमंद है या नहीं। केवल एक मॉडल से किसी मान (value) का अनुमान लगाने के लिए कहने के बजाय, यह प्रणाली कंप्यूटर को यह साबित करने के लिए मजबूर करती है कि उसने वह मान कहाँ पाया और फिर अपने काम की दोबारा जाँच करने के लिए कहती है। शोधकर्ताओं ने एक ऐसी प्रक्रिया बनाई है जो एक कठोर संपादक की तरह कार्य करती है। सबसे पहले, प्रणाली एक विशिष्ट फ़ील्ड के लिए संभावित उत्तरों की एक सूची एकत्र करती है, जैसे कि रसीद पर कुल कीमत। फिर, यह मांग करती है कि प्रत्येक उत्तर दस्तावेज़ के एक विशिष्ट, दृश्य हिस्से से जुड़ा हो, जैसे कि टेक्स्ट की एक पंक्ति या एक टेबल सेल। यदि कंप्यूटर उस सटीक स्थान की ओर इशारा नहीं कर सकता जहाँ से जानकारी आई है, तो यह उत्तर को खारिज कर देता है। यदि उत्तर इस परीक्षण में पास हो जाता है, तो प्रणाली यह जाँचती है कि क्या यह अन्य नियमों के विरुद्ध तर्कसंगली है, जैसे कि क्या कुल राशि वस्तुओं के योग से मेल खाती है। यदि कोई नियम टूट जाता है, तो प्रणाली केवल हार नहीं मानती; यह त्रुटि के प्रकार के आधार पर एक विशिष्ट सुधार का प्रयास करती है, नया साक्ष्य खोजती है, और उत्तर की पुन: जाँच करती है।

इस पद्धति का मुख्य केंद्र सत्यापन और मरम्मत का एक लूप है जो प्रारंभिक अनुमान लगाने के बाद होता है। कल्पना कीजिए कि एक कंप्यूटर एक रसीद पढ़ रहा है और $50 का कुल योग सुझा रहा है। VGA-KIE प्रणाली पहले पूछती है, "$ 50 मुझे पृष्ठ पर दिखाओ।" यदि कंप्यूटर उस संख्या को टेक्स्ट की एक विशिष्ट पंक्ति से नहीं जोड़ पाता है, तो प्रणाली इसे असमर्थ (unsupported) घोषित कर देती है। यदि वह टेक्स्ट ढूँढ लेता है, तो प्रणाली फिर पूछती है, "क्या यह संख्या नियमों में फिट बैठती है?" यदि रसीद में तीन आइटम सूचीबद्ध हैं जिनका योग $45 है, लेकिन सुझाया गया कुल$ 50 है, तो प्रणाली एक संघर्ष (conflict) को चिह्नित करती है। गलत संख्या को स्वीकार करने के बजाय, प्रणाली एक अलग उम्मीदवार की तलाश करती है, शायद एक ऐसी पंक्ति जिसे उसने पहले छोड़ दिया था, या यह देखने के लिए टेक्स्ट का पुन: परीक्षण करती है कि क्या कोई अंक गलत पढ़ा गया है। साक्ष्य खोजने, नियमों की जाँच करने और त्रुटियों को सुधारने की यह प्रक्रिया एक ही निरंतर प्रवाह में होती है। शोधकर्ताओं ने पाया कि इस पद्धति ने सटीकता में काफी सुधार किया है। जब उन्होंने फॉर्म, रसीद और इनवॉइस वाले मानक डेटासेट पर इसका परीक्षण किया, तो प्रणाली ने लगभग 98 प्रतिशत मामलों में सही जानकारी की पहचान की, जो बिना इस अतिरिक्त जाँच परत के मूल मॉडल की 93 प्रतिशत सटीकता से एक उल्लेखनीय उछाल है।

जो इस कार्य को विशेष रूप से मजबूत बनाता है वह यह है कि यह केवल अंतिम स्कोर में सुधार नहीं करता है; यह कंप्यूटर की सोच को पारदर्शी बनाता है। प्रणाली प्रत्येक चरण का रिकॉर्ड रखती है, जिसमें यह शामिल है कि उसने दस्तावेज़ के किन हिस्सों को देखा, उसने गलत उत्तर को क्यों खारिज किया, और उसने गलती को कैसे सुधारा। अपने परीक्षणों में, प्रणाली उन 92 प्रतिशत से अधिक फ़ील्ड के लिए सही साक्ष्य खोजने में सक्षम थी जिन्हें उसने स्वीकार किया था। इससे भी महत्वपूर्ण बात यह है कि इसने लगभग 70 प्रतिशत उन उत्तरों की सफलतापूर्वक मरम्मत की जो शुरू में गलत थे, जिससे त्रुटियाँ सही डेटा में बदल गईं। हालाँकि, शोधकर्ता इस बात को लेकर सावधान थे कि यह प्रणाली कोई जादुई समाधान नहीं है। यह सबसे अच्छा तब काम करती है जब प्रारंभिक अनुमान एक विश्वसनीय स्रोत से आते हैं, और इसे विशिष्ट प्रकार के दस्तावेज़ों के साथ काम करने के लिए डिज़ाइन किया गया है। प्रणाली ने सतर्क रहना भी सीखा; यदि वह सुनिश्चित होने के लिए पर्याप्त साक्ष्य नहीं पा सकी, तो वह त्रुटि का जोखिम उठाने या अनुमान लगाने के बजाय केवल उत्तर देने से इनकार कर देगी। यह "इनकार" केवल बहुत कम मामलों में हुआ, लेकिन यह एक महत्वपूर्ण विशेषता थी जिसने प्रणाली को गलत जानकारी को आत्मविश्वास के साथ बताने से रोका।

अध्ययन ने यह भी खुलासा किया कि इस प्रक्रिया का सबसे महत्वपूर्ण हिस्सा उत्तर को पृष्ठ पर एक विशिष्ट स्थान से जोड़ने की क्षमता थी। जब शोधकर्ताओं ने इस लिंकिंग स्टेप को हटा दिया, तो प्रणाली का प्रदर्शन काफी गिर गया, जिससे पता चला कि उत्तर क्या है यह जानने के साथ-साथ यह जानना भी उतना ही महत्वपूर्ण है कि उत्तर कहाँ से आया है। प्रणाली ने यह भी सिद्ध किया कि विभिन्न प्रकार की त्रुटियों की जाँच करना—जैसे कि किसी संख्या का गलत स्थान पर होना या गणितीय योग का गलत होना—कंप्यूटर को सही सुधार चुनने में मदद करता है। सूचना निष्कर्षण को अनुमान लगाने, सिद्ध करने और सुधारने के चक्र के रूप में मानकर, शोधकर्ताओं ने एक ऐसी विधि बनाई है जो न केवल अधिक सटीक है बल्कि वास्तविक दुनिया के उपयोग के लिए अधिक विश्वसनीय भी है। परिणाम बताते हैं कि जिन दस्तावेज़ों में गलतियाँ महंगी हो सकती हैं, जैसे कि वित्त या कानून में, वहाँ साक्ष्य-आधारित सत्यापन की यह परत जोड़ना यह सुनिश्चित करने का एक शक्तिशाली तरीका है कि कंप्यूटर केवल शब्द नहीं पढ़ रहे हैं, बल्कि वास्तव में उन दस्तावेज़ों को समझ रहे हैं जिन्हें वे प्रोसेस करते हैं।

तकनीकी सारांश: VGA-KIE

समस्या विवरण

दृश्यात्मक रूप से समृद्ध दस्तावेजों (जैसे फॉर्म, रसीदें, चालान) से प्रमुख सूचना निष्कर्षण (Key Information Extraction - KIE) एक महत्वपूर्ण विश्वसनीयता अंतराल का सामना करता है। जबकि आधुनिक मॉडलों (लेआउट-जागरूक LLMs और OCR-मुक्त मल्टीमॉडल मॉडलों सहित) ने उम्मीदवार पीढ़ी (candidate generation) में सुधार किया है, उनमें अक्सर यह सत्यापित करने के लिए ऑडिट योग्य तंत्र की कमी होती है कि क्या एक उत्पन्न मान सही दस्तावेज़ क्षेत्र से आता है, स्कीमा बाधाओं को पूरा करता है, या क्रॉस-फील्ड निरंतरता बनाए रखता है। मौजूदा दृष्टिकोण आमतौर पर उम्मीदवार पीढ़ी, साक्ष्य ग्राउंडिंग (evidence grounding), सत्यापन (verification), और मरम्मत (repair) को अलग-अलग घटकों के रूप में देखते हैं। यह पृथक्करण एक एकीकृत फील्ड-स्टेट (field state) के निर्माण को रोकता है जिसमें ऑडिट योग्य ट्रांज़िशन नियम हों, जिससे ऐसी स्थितियाँ उत्पन्न होती हैं जहाँ एक मॉडल गलत क्षेत्रों से मानों वाला वैध JSON उत्पन्न करता है, टेबल संरचना का उल्लंघन करता है, या किसी भी पता लगाने योग्य साक्ष्य का अभाव होता है।

कार्यप्रणाली: VGA-KIE

VGA-KIE (Verification-Guided Agent for Key Information Extraction) को एक नए उम्मीदवार एनकोडर के रूप में नहीं, बल्कि एक मॉड्यूलर पोस्ट-हॉक विश्वसनीयता परत (post-hoc reliability layer) के रूप में पेश किया गया है जो तीन तंत्रों को एक एकीकृत फील्ड-स्टेट ट्रांज़िशन लूप में जोड़ता है: निष्कर्षण (Extract), ग्राउंडिंग (Ground), सत्यापन (Verify), मरम्मत (Repair), और पुनः सत्यापन (Verify Again)।

1. मुख्य आर्किटेक्चर

यह प्रणाली एक साझा उम्मीदवार इंटरफ़ेस पर कार्य करती है, जो विभिन्न अपस्ट्रीम एक्सट्रैक्टर्स (OCR-आधारित, लेआउट-जागरूक LLMs, या OCR-मुक्त MLLMs) से आउटपुट स्वीकार करती है। यह मल्टीग्रैनुलर अवलोकनों (टोकन, लाइन्स, ब्लॉक्स, सेल्स, विजुअल रीजन्स) से एक लेआउट-जागरूक हेट्रोजेनियस डॉक्यूमेंट ग्राफ ( $G$ ) का निर्माण करती है। यह ग्राफ साक्ष्य लिंकिंग, बाधा सत्यापन और मरम्मत निर्णयों के लिए आधार (substrate) के रूप में कार्य करता है।

2. तीन जुड़े हुए तंत्र

कार्यप्रणाली तीन अलग-अलग लेकिन परस्पर जुड़े घटकों पर निर्भर करती है:

साक्ष्य-आधारित फील्ड स्टेट (Evidence-Grounded Field State):
एक फील्ड मान को अलग से मानने के बजाय, VGA-KIE एक फील्ड स्टेट को एक टुपल (tuple) के रूप में परिभाषित करता है जिसमें मान, खोजने योग्य साक्ष्य, विश्वसनीयता स्कोर, सत्यापन स्थिति, विफलता का कारण और मरम्मत का इतिहास शामिल है। साक्ष्य एक स्टेट ट्रांज़िशन के लिए पूर्व शर्त है; एक उम्मीदवार को मान्य होने के लिए एक पता लगाने योग्य दस्तावेज़ क्षेत्र (टोकन स्पैन, टेबल सेल, या इमेज क्रॉप) से जुड़ा होना चाहिए। यह साक्ष्य को केवल एक पोस्ट-हॉक विज़ुअलाइज़ेशन से बदलकर निर्णय लेने के लिए एक संरचनात्मक इनपुट में बदल देता है।
टाइप्ड फेलियर डायग्नोसिस (Typed Failure Diagnosis):
सिस्टम बाधा उल्लंघन (constraint violations) को एक विशिष्ट सत्यापन स्थिति ($pass$, $fail$, $uncertain$) और एक प्रमुख विफलता कारण में मैप करता है। सत्यापन नियम छह श्रेणियों को कवर करते हैं:
1. फॉर्मेट (Format): प्रकार और सामान्यीकरण जाँच।
2. स्पेशियल (Spatial): की-वैल्यू स्थानिक संबंध।
3. एविडेंस (Evidence): संरेखित OCR या विजुअल क्षेत्रों की उपस्थिति।
4. सिमेंटिक (Semantic): प्रासंगिक एलियास मिलान।
5. क्रॉस-फील्ड (Cross-field): अंकगणितीय या टेम्पोरल निरंतरता।
6. टेबल-स्ट्रक्चर (Table-structure): रो/कॉलम संरेखण।
  प्रमुख विफलता कारण (जैसे, "स्पेशियल मिसमैच" या "अनसपोर्टेड वैल्यू") अगले मरम्मत कार्य को निर्धारित करता है।
पुनः सत्यापन के साथ विफलता-शर्तित मरम्मत (Failure-Conditioned Repair with Re-verification):
मरम्मत को एक वैश्विक पुन: निष्कर्षण के बजाय एक स्थानीय स्टेट अपडेट के रूप में माना जाता है। निदान किए गए विफलता प्रकार के आधार पर, सिस्टम रिlocate (Relocate) (निकटवर्ती क्षेत्रों की खोज), ReOCR (कमजोर टेक्स्ट को फिर से प्रोसेस करना), Rerank (उम्मीदवारों को पुन: क्रमबद्ध करना), Reextract (विशिष्ट फील्ड के लिए निष्कर्षण को फिर से चलाना), या Normalize जैसे लक्षित कार्य लागू करता है। महत्वपूर्ण रूप से, प्रत्येक मरम्मत किए गए उम्मीदवार को स्वीकृति से पहले उन्हीं बाधाओं के विरुद्ध पुनः ग्राउंडिंग (re-grounding) और पुनः सत्यापन (re-verification) से गुजरना होगा। यह लूप तब रुकता है जब फील्ड पास हो जाता है, मरम्मत बजट समाप्त हो जाता है, या कोई और सत्यापन लाभ नहीं देखा जाता है।

3. ऑब्जेक्टिव फंक्शन

सिस्टम एक एकीकृत ऑब्जेक्टिव को अनुकूलित करता है जो उम्मीदवार पीढ़ी संगतता ( $S_c$ ), ग्राउंडिंग समर्थन ( $S_g$ ), सत्यापन संतुष्टि ( $S_v$ ), और मरम्मत लागत ( $C_{rep}$ ) को संतुलित करता है। किसी फील्ड को जारी करने का अंतिम निर्णय सत्यापन स्थिति और गैर-रिक्त, रिलोकेट करने योग्य साक्ष्य की उपस्थिति द्वारा नियंत्रित होता है।

मुख्य योगदान

एकीकृत फील्ड स्टेट: एक साक्ष्य-आधारित फील्ड स्टेट का परिचय जो मानों, साक्ष्यों और इतिहास को एक एकल अपडेट करने योग्य ऑब्जेक्ट में बांधता है, जिससे साक्ष्य स्टेट ट्रांज़िशन के लिए एक पूर्व शर्त बन जाता है।
टाइप्ड फेलियर डायग्नोसिस: एक तंत्र जो मल्टी-कंस्ट्रेंट उल्लंघनों को विशिष्ट विफलता स्थितियों में परिवर्तित करता है ताकि स्थानीय मरम्मत कार्यों को निर्देशित किया जा सके, न कि सभी त्रुटियों को समान रूप से माना जाए।
फेलियर-कंडीशन रिपेयर लूप: एक क्लोज्ड-लूप प्रक्रिया जहाँ मरम्मत कार्य विफलता प्रकारों पर आधारित होते हैं और पुनः सत्यापन द्वारा कड़ाई से नियंत्रित होते हैं, जो हानिकारक पुनर्लेखन को सीमित करते हुए प्रारंभिक निष्कर्षण त्रुटियों से उबरने में सक्षम बनाते हैं।
मॉड्यूलर पोस्ट-हॉक लेयर: एक डिज़ाइन जो विश्वसनीयता तर्क को उम्मीदवार पीढ़ी से अलग करता है, जिससे बेस जनरेटर को पुन: प्रशिक्षित किए बिना विभिन्न अपस्ट्रीम एक्सट्रैक्टर्स (जैसे, LayoutLMs, LLMs, MLLMs) के साथ संगतता संभव होती है।

प्रयोगात्मक परिणाम

मूल्यांकन तीन मानक डेटासेट्स पर किया गया: FUNSD (फॉर्म), SROIE (रसीदें), और CORD (पदानुक्रमित संरचना वाली रसीदें)। प्रयोगों में उम्मीदवार पीढ़ी की गुणवत्ता से पोस्ट-हॉक परत के योगदान को अलग करने के लिए LayTokenLLM-8B से एक फ्रोजन कैंडिडेट कैश (frozen candidate cache) का उपयोग किया गया।

प्रदर्शन लाभ: LayTokenLLM-8B डायरेक्ट एक्सट्रैक्शन पर लागू होने पर, VGA-KIE ने माध्य Field-F1 को 93.49% से बढ़ाकर 97.65% (औसत लाभ 4.16 प्रतिशत अंक) कर दिया।
- FUNSD: 90.86% $\to$ 94.91%
- SROIE: 94.72% $\to$ 99.17%
- CORD: 94.88% $\to$ 98.86%
विश्वसनीयता मेट्रिक्स:
- एविडेंस एक्यूरेसी (Evidence Accuracy): 76.8% से सुधरकर 92.8% (4,475 में से 4,153 जारी किए गए फील्ड्स) हुई।
- अनसपोर्टेड आउटपुट रेट: 12.4% से घटकर 2.7% रह गया।
- एक्सेप्टेंस कवरेज (Acceptance Coverage): 94.8% (4,720 लक्ष्य फील्ड्स में से 4,475 जारी किए गए)।
- सत्यापन विफलता पहचान (Verification Failure Detection): प्रिसिजन 87.5%, रिकॉल 88.4%, F1 87.9%।
- मरम्मत सफलता (Repair Success): 70.5% (400 में से 282 शुरू में गलत फील्ड्स सुधारे गए)।
- फॉल्स रिपेयर रेट (False Repair Rate): 2.1% (4,100 में से 86 शुरू में सही फील्ड्स गलत तरीके से बदले गए)।
दक्षता: पोस्ट-हॉक लेयर ने डायरेक्ट एक्सट्रैक्शन की तुलना में 1.32× सापेक्ष विलंबता ओवरहेड (latency overhead) पेश किया, यह मानते हुए कि उम्मीदवार एक फ्रोजन कैश से लोड किए गए हैं।
एब्लेशन स्टडीज (Ablation Studies): एविडेंस लिंकिंग को हटाने से सबसे बड़ा प्रदर्शन ड्रॉप हुआ (Field-F1: 97.65% $\to$ 94.18%), जो इसकी केंद्रीयता को उजागर करता है। टाइप्ड वेरिफिकेशन या री-वेरिफिकेशन को हटाने से भी मरम्मत सफलता काफी कम हो गई और फॉल्स रिपेयर रेट बढ़ गया।

महत्व और दावे

पेपर का दावा है कि VGA-KIE, KIE को "कैंडिडेट जनरेशन" की समस्या से बदलकर एक "विश्वसनीयता निर्णय" (reliability decision) की समस्या में बदल देता है। इसका महत्व एक एकीकृत स्टेट ट्रांज़िशन फ्रेमवर्क के माध्यम से स्पष्ट (implicit) विश्वसनीयता निर्णयों को स्पष्ट (explicit) बनाना है।

ऑडिट योग्य विश्वसनीयता: सिस्टम एक ट्रेस करने योग्य इतिहास प्रदान करता है कि क्यों एक फील्ड को स्वीकार, अस्वीकार या मरम्मत किया गया, जो ऑडिट की आवश्यकता वाले व्यावसायिक और वित्तीय दस्तावेजों के लिए महत्वपूर्ण है।
मॉड्यूलरिटी: यह प्रदर्शित करता है कि यदि एक सामान्य उम्मीदवार इंटरफ़ेस बनाए रखा जाए, तो अंडरलाइंग जेनेरेटिव मॉडल को पुन: प्रशिक्षित किए बिना विश्वसनीयता को एक पोस्ट-हच लेयर के रूप में जोड़ा जा सकता है।
दावों में विनम्रता: लेखक स्पष्ट रूप से कहते हैं कि परिणाम मूल्यांकित प्रोटोकॉल और विशिष्ट कैंडिडेट जनरेटर (LayTokenLLM-8B) तक सीमित हैं। वे यह दावा नहीं करते हैं कि सिस्टम सभी विफलता प्रकारों के लिए प्रति-वर्ग (per-class) इष्टतम निदान स्थापित करता है, न ही वे दावा करते हैं कि लाभ सभी कैंडिडेट जनरेटर्स में अपरिवर्तित रहते हैं। नवीनता निर्णय युग्मन (decision coupling) द्वारा परिभाषित है—अर्थात साक्ष्य, विफलता की स्थिति और पुनः सत्यापन का संयोजन—न कि अकेले किसी भी अंतर्निहित ऑपरेशन (ग्राउंडिंग, वेरिफिकेशन या रिपेयर) की श्रेष्ठता द्वारा।

पेपर निष्कर्ष निकालता है कि हालांकि संयुक्त विश्वसनीयता परत परीक्षण की गई स्थितियों के तहत निष्कर्षण सटीकता और साक्ष्य ग्राउंडिंग में महत्वपूर्ण सुधार करती है, भविष्य के कार्यों में प्रति-वर्ग विफलता निदान, क्रॉस-जेनरेटर सामान्यीकरण और वास्तविक दुनिया के मल्टी-पेज दस्तावेजों पर गुणात्मक प्रदर्शन को मान्य करने की आवश्यकता है।