De nouveaux articles s’attaquent au raisonnement des VLM sur les longs documents

Plusieurs nouveaux articles publiés sur arXiv proposent des systèmes de compréhension des longs documents qui dépassent la récupération statique d’informations dans des pages visuellement riches. InSight-doc traite la résolution d’image comme une ressource adaptative au moment de l’inférence, en commençant en basse résolution puis en zoomant sélectivement sur certaines zones pour y chercher des preuves ; son modèle 8B a amélioré la précision en VQA documentaire de 4,3 à 16,4 points, réduit les hallucinations de plus de 40 % sur les longs documents et abaissé la latence de 41 % à 68 %. DocAtlas présente la QA documentaire comme une interaction à état mutable avec des outils de recherche, de lecture, de prise de notes et de vérification, tandis que DocMemo propose une exploration dynamique des preuves guidée par la mémoire, aux niveaux du document, de la page et de la question.