Resumo Técnico: MARDoc

Definição do Problema

O questionamento e resposta (QA) multimodal em documentos longos é crítico para aplicações como análise financeira e revisão de literatura científica, mas permanece desafiador devido a dois fatores primários: a expressão conjunta de informações através de texto, layout, tabelas e figuras, e a distribuição esparsa de evidências ao longo de muitas páginas.

Agentes iterativos de recuperação-raciocínio existentes enfrentam limitações significativas:

1. Fluxo de Contexto Monolítico: A maioria dos sistemas mantém um contexto único e sempre crescente que mistura traços de recuperação, observações e raciocínio intermediário. À medida que as interações se acumulam, evidências cruciais tornam-se dispersas e diluídas por um histórico irrelevante, comprimindo o espaço de raciocínio efetivo do modelo e introduzindo ruído.
2. Falta de Controle de Qualidade Baseado em Memória: Os métodos agênticos atuais frequentemente falham em distinguir entre evidência ausente, conteúdo visual mal interpretado e raciocínio falho entre páginas. Erros introduzidos em turnos iniciais persistem e se propagam através das iterações, levando a alucinações em cadeias de raciocínio de múltiplos saltos (multi-hop).

Metodologia: Estrutura MARDoc

Os autores propõem o MARDoc (Agente de Refinamento Consciente de Memória), uma estrutura que substitui o fluxo de contexto monolítico por uma memória estruturada dinamicamente atualizada, impulsionada por um ciclo "Explorar–Refinar–Refletir". A estrutura desacopla o processo de QA em três agentes especializados:

1. Processamento de Documento e Construção de Esboço

Antes da interação do agente, o sistema emprega o MinerU2.5 para uma análise precisa do documento, gerando nós semânticos detalhados que preservam a estrutura do layout. O Qwen3-VL é utilizado para gerar descrições concisas para elementos visuais (imagens, tabelas), criando um esboço estruturado unificado que serve como índice para as ferramentas de recuperação subsequentes.

2. O Agente Explorador (Explorer Agent)

O Explorador recupera iterativamente evidências de multigranularidade do esboço estruturado usando um conjunto de ferramentas customizado (busca textual, visual e de metadados). Ele opera em um framework ReAct, gerando pensamentos de raciocínio e ações de ferramentas para reunir informações preliminares. Diferente de agentes tradicionais que anexam todo o histórico à janela de contexto, o Explorador recebe apenas a consulta atual, o esboço do documento, a memória estruturada anterior e o feedback do Refletor.

3. O Agente Refinador (Refiner Agent)

O Refinador simula o raciocínio de um especialista humano ao destilar traços de interação em uma memória estruturada e compacta, substituindo o acúmulo tradicional de contexto bruto. Ele processa a consulta do usuário, a memória anterior e a cadeia de raciocínio atual do Explorador para gerar dois componentes distintos:

• Memória de Evidência ($M_E$): Um registro de alto nível de informações factuais centrais e relevantes para a consulta (ex: declarações principais, fontes, dados multimodais condensados) com remoção de informações redundantes.
• Memória de Raciocínio ($M_R$): Um caminho de raciocínio claro que integra nós de evidência, anotado com dependências. Isso desacopla a evidência do raciocínio, permitindo que o sistema rastreie se os erros derivam de fatos incorretos ou de uma lógica falha.

O Refinador sobrescreve a memória antiga com a versão atualizada em cada iteração, evitando a explosão de contexto.

4. O Agente Refletor (Reflector Agent)

O Refletor examina a memória estruturada compactada para determinar se a evidência é suficiente para responder à pergunta.

• Se Suficiente: Ele gera a resposta final.
• Se Insuficiente: Ele gera feedback direcionado (ex: "o número total de X está faltando") para guiar o Explorador em direção a informações específicas ausentes, evitando a repetição de erros passados.

Principais Contribuições

1. Recuperação e Refinamento Desacoplados: O MARDoc substitui o fluxo de contexto monolítico por uma memória estruturada dinamicamente atualizada. Ao desacoplar a recuperação de informação da digestão de evidências, ele mantém o contexto de raciocínio compacto, aliviando fundamentalmente a diluição do contexto.
2. Mecanismo de Memória Dupla: A estrutura introduz um processo de destilação que compacta os traços em Memória de Evidência (fundamentação factual) e Memória de Raciocínio (coerência lógica), juntamente com uma avaliação reflexiva iterativa que verifica a suficiência e fornece feedback heurístico.
3. Desempenho Sem Treinamento: O sistema alcança resultados fortes sem ajuste fino (fine-tuning) específico para a tarefa, baseando-se exclusivamente em engenharia de prompt e no mecanismo de memória estruturada.

Resultados Experimentais

Os autores avaliaram o MARDoc em dois benchmarks desafiadores: MMLongBench-Doc e DocBench.

• Desempenho: Utilizando o Qwen3-VL-30B como backbone, o MARDoc alcançou 57,1% de precisão no MMLongBench-Doc. Isso supera os baselines de mesmo backbone (ex: DocAgent com Qwen3-30B com 48,3%) e iguala o desempenho do DocAgent usando o muito maior Claude 3.5 Sonnet (57,3%).
• Robustez: O MARDoc demonstrou um declínio de desempenho menor conforme o número de páginas de evidência aumentava em comparação com outros métodos baseados em agentes, indicando uma capacidade superior de integrar informações dispersas.
• Estudos de Ablação:
  • A remoção do Refinador causou uma degradação drástica no desempenho, confirmando que o Refletor não consegue identificar erros em contextos ruidosos e linearmente acumulados sem memória estruturada.
  • A remoção da Memória de Raciocínio ($M_R$) prejudicou principalmente o desempenho em perguntas de múltiplos saltos (multi-hop), enquanto a remoção da Memória de Evidência ($M_E$) prejudicou o desempenho em perguntas sem resposta, destacando seus papos complementares.
  • Substituir a memória estruturada por compressão de texto simples resultou no pior desempenho, validando a necessidade da representação estruturada.
• Eficiência: Embora o MARDoc incorra em um aumento modesto no uso de tokens (22,5k tokens adicionais) e latência (16s) em comparação com métodos de passagem única, essa troca resulta em um ganho significativo de precisão (7,8 pontos percentuais).

Significância e Alegações

O artigo afirma que o MARDoc valida a eficácia da memória estruturada para o QA de documentos agêntico. Ao evitar que o histórico completo de interação seja propagado repetidamente, a estrutura mantém um estado de raciocínio compacto enquanto preserva fatos críticos para a resposta e suas dependências lógicas.

Os autores posicionam o MARDoc como uma solução para o problema da "explosão de contexto" na recuperação-raciocínio iterativa, demonstrando que uma interface mediada por memória pode aumentar significativamente as capacidades de raciocínio de múltiplos saltos em tarefas de documentos longos multimodais sem exigir o ajuste fino caro de modelos. O trabalho sugere que a qualidade da representação da memória (estruturada vs. monolítica) é um fator mais crítico para o raciocínio de contexto longo do que simplesmente aumentar a janela de contexto ou a contagem de parâmetros do modelo.