DocMIDE：学习视觉富文档中的多跳隐式推导

真实世界的文档处理系统依赖僵化的预定义模式，而关键目标字段往往在页面上没有直接的视觉对应物。提取这些隐式值需要多跳推导，例如聚合子类别或对视觉标记进行推理。现有方法虽能处理显式文本片段或简单隐式查询，但即使在标准微调后也无法完成多跳视觉推理：模型要么检索到错误的视觉证据，要么检索正确却在推导中跳过中间步骤。为此我们提出 DocMIDE，一个微调框架，训练紧凑的视觉-语言模型在推导答案之前显式检索视觉证据。DocMIDE 将生成约束为计划-检索-推导结构，并用 Group Relative Policy Optimization 在四组件的基于规则的奖励下优化：对照经过验证的参考轨迹，评分输出格式、检索到的证据块、每个中间推导步骤以及最终值。在一个 4,151 对的隐式抽取基准上，DocMIDE 仅用少量标注样本就将 Qwen3.5-4B 的准确率从 70.8% 提高到 95.9%，并迁移到第二个骨干架构。在我们测试的任何预算下，仅靠监督示例都无法弥补这一差距；对中间步骤给予奖励才是关键。