Resumo Técnico: G2-Reader: Grafos Evolutivos Duplos para QA de Documentos Multimodais

Declaração do Problema

A Geração Aumentada de Recuperação (RAG) emergiu como um paradigma dominante para o questionamento sobre documentos longos. No entanto, os sistemas RAG atuais enfrentam limitações significativas quando aplicados a documentos multimodais longos (ex: artigos acadêmicos, apresentações de slides, livros didáticos) onde textos, tabelas e figuras estão intercalados ao longo de muitas páginas. O artigo identifica duas crises acopladas nas abordagens existentes:

1. O Desafio da Representação: Os pipelines de RAG padrão achatam os documentos em fragmentos de texto independentes. Este "fatiamento plano" quebra a estrutura nativa do documento e o alinhamento cross-modal (ex: separar uma figura de sua legenda ou do texto de referência). Consequentemente, os contextos recuperados tornam-se fragmentos semânticos difíceis de interpretar isoladamente.
2. O Desafio da Recuperação: O RAG tradicional é frequentemente de etapa única (one-shot) e frágil em contextos longos. Embora a recuperação iterativa tenha sido introduzida para refinar consultas passo a passo, ela frequentemente falha em ambientes multimodais longos ao entrar em loops sobre evidências parciais ou derivar para seções irrelevantes conforme o ruído se acumula. Isso ocorre porque cada etapa é guiada apenas pelo trecho atual, sem um estado de busca global persistente.

Metodologia: G2-Reader

Para abordar esses problemas, os autores propõem o G2-Reader, um sistema de grafo duplo que avança tanto na representação de evidências quanto no raciocínio de recuperação. O sistema opera através de dois grafos evolutivos fortemente acoplados:

1. Grafo de Conteúdo ($G_C$): Representação Multimodal Estruturada

Em vez do fatiamento plano, o G2-Reader constrói um Grafo de Conteúdo multimodal heterogêneo para preservar os layouts nativos do documento e a semântica cross-modal.

• Construção: Os documentos são analisados em unidades atômicas (parágrafos, tabelas, figuras com legendas) formando o conjunto de nós $V$. As arestas são inicializadas com base na ordem de leitura (janelas deslizantes).
• Evolução Conjunta: O grafo passa por um processo de evolução iterativa ($T$ etapas) impulsionado por um Modelo de Linguagem e Visão (VLM). Em cada etapa, o VLM realiza uma atualização conjunta dos atributos dos nós (resumos e palavras-chave) e da topologia do grafo (arestas).
  • Atualização de Atributo: O VLM enriquece os resumos dos nós com o contexto dos vizinhos, resolve referências implícitas e enfatiza características distintivas.
  • Atualização de Topologia: O VLM identifica ligações lógicas significativas (ex: explicação, causalidade, fundamentação cross-modal) além da simples similaridade, criando um conjunto esparso de dependências substantivas.
• Recuperação: A evidência é recuperada via um operador de leitura consciente da estrutura. Dada uma consulta, os nós são classificados por similaridade e os principais nós são expandidos para incluir seus vizinhos imediatos no grafo, garantindo a montagem de evidências consciente do contexto.

2. Grafo de Planejamento ($G_P$): Estado de Raciocínio Agêntico

O Grafo de Planejamento é um Grafo Acíclico Dirigido (DAG) que ancora explicitamente o processo de raciocínio, servindo como um rastreador de estado dinâmico para a montagem de evidências.

• Inicialização: Um agente decompositor divide a consulta do usuário em um DAG inicial de subperguntas atômicas, codificando as relações de dependência.
• Execução e Refinamento: O sistema executa as subperguntas em ordem topológica. Para cada subpergunta, um agente trabalhador recupera um subgrafo de evidência local de $G_C$ e gera uma resposta intermediária.
• Verificação e Replanejamento: Um verificador de evidências avalia se as respostas intermediárias acumuladas são suficientes para responder à consulta original.
  • Se suficientes, o processo termina.
  • Se insuficientes, o verificador identifica lacunas específicas (dados ausentes, ambiguidades). Um decompositor então refina o Grafo de Planejamento adicionando, atualizando ou removendo nós para visar essas lacunas.
• Síntese: Uma vez atingida a suficiência, um agente raciocinador sintetiza a resposta final com base na consulta original e no conjunto de evidências estruturadas e verificadas.

Principais Contribuições

O artigo reivindica três contribuições primárias:

1. Identificação do Problema: Identifica formalmente as limitações acopladas de representação de evidência fragmentada e recuperação instável de contexto longo nos sistemas RAG multimodais atuais.
2. Arquitetura de Grafo Duplo: Introduz o Grafo de Conteúdo para preservar estruturas semânticas dentro de documentos multimodais e o Grafo de Planejamento para manter um estado de raciocínio que guia a navegação passo a passo para a conclusão da evidência.
3. Superioridade Empírica: No benchmark VisDoMBench abrangendo cinco domínios multimodais (slides, páginas web, artigos acadêmicos, livros didáticos e gráficos científicos), o G2-Reader alcança o estado da arte em desempenho.

Resultados Experimentais

O sistema foi avaliado no VisDoMBench utilizando o Qwen3-VL-32B-Instruct de código aberto como base.

• Desempenho Geral: O G2-Reader alcançou uma precisão média de 66,21%.
• Comparação com Baselines:
  • Superou significativamente o modelo proprietário de fronteira GPT-5 (53,08%) por uma margem de 13,13 pontos percentuais.
  • Superou fortes baselines de código aberto, incluindo o VisDoMRAG (65,01%) e sistemas baseados em grafos especializados como o GraphRAG (50,86%).
  • Demonstrou uma melhoria relativa de 121% sobre o modelo base Qwen3-VL-32B usado em um cenário zero-shot (29,90%).
• Estudos de Ablação:
  • Multimodalidade: A inclusão de evidência visual melhorou a precisão média em 8,4%.
  • Sinergia de Componentes: A combinação do Grafo de Conteúdo e do Grafo de Planejamento gerou um ganho de desempenho (+4,8%) que excedeu a soma de suas contribuições individuais, indicando forte complementaridade.
  • Refinamento Iterativo: O refinamento moderado do Gra Algo de Planejamento (até 3 iterações) melhorou o desempenho, enquanto o excesso de refinamento levou a retornos decrescentes.
  • Evolução do Grafo: A evolução iterativa do Grafo de Conteúdo (até 3 rodadas) melhorou as representações dos nós, com o desempenho caindo em iterações mais altas devido ao excesso de suavização (over-smoothing).

Significância e Alegações

O artigo postula que o G2-Reader valida a hipótesia de que uma arquitetura estruturada pode capacitar modelos de código aberto a superar modelos de fronteira poderosos e fechados. Ao fornecer uma fundação estruturada para a montagem complexa de evidências, a abordagem de grafo duplo compensa efetivamente as limitações de raciocínio de contexto longo de modelos de tamanho médio.

Os autores enfatizam que seu método muda o paradigma de "documentos-como-texto" para "documentos-como-conhecimento", transformando documentos visualmente ricos em estruturas de conhecimento explícitas e reutilizáveis. Essa abordagem facilita uma gestão de conhecimento mais controlável e um raciocínio robusto sobre documentos multimodais longos, abordando a fragilidade dos sistemas RAG atuais em cenários do mundo real. O trabalho sugere que a organização sofisticada de evidências e o planejamento iterativo são mais eficazes do que o escalonamento bruto de modelos ou treinamento proprietário para tarefas complexas de raciocínio multimodal.