CiteVQA：可信文档情报的基准证据归因

多模态 大语言模型 (MLLM) 具有显着先进的文档理解能力，但当前的 Doc-VQA 评估仅对最终答案进行评分，而未检查支持证据。这种只给出答案的方法掩盖了一种关键的失败模式：模型可能会得出正确的答案，但却将其置于错误的段落中——这在法律、金融和医学等高风险领域是一个关键风险，因为在这些领域，每个结论都必须追溯到特定的来源区域。为了解决这个问题，我们引入了 CiteVQA，这是一个基准，要求模型在每个答案旁边返回元素级边界框引用，并对两者进行联合评估。 CiteVQA 包含 711 个 PDF 中的 1,897 个问题，涵盖七个领域和两种语言，平均每个文档有 40.6 页。为了确保保真度和可扩展性，真值 引文是由自动化管道生成的，该管道通过屏蔽消融来识别关键证据，并随后通过专家评审进行验证。我们评估的核心是严格属性准确性（SAA），只有当答案和引用的区域都正确时，它才认可预测。审核 20 个 MLLM 揭示了一种普遍存在的归因幻觉：模型经常在引用错误区域的同时给出正确答案。最强的系统（Gemini-3.1-Pro-Preview）的SAA仅达到76.0，最强的开源MLLM也仅达到22.5。最终，为了实现值得信赖的文档智能，CiteVQA 暴露了仅回答评估所忽视的可靠性差距，并提供了弥补这一差距所需的工具。我们的存储库位于 https://github.com/opendatalab/CiteVQA。