用于长文档理解的分层证据驱动推理

检索增强生成 (RAG) 通过利用检索机制将输入图像限制为高度策划的子集，从而简化长文档理解。然而，现有的多模式 RAG 管道主要面临两个关键挑战：首先，标准语义相似性 检索器 经常获取主题重叠但无答案的干扰页面，从而误导下游生成；其次，严格的单通道流程在很大程度上取决于初始检索的成功，任何核心证据的遗漏都不可避免地会导致级联错误。为了应对这些挑战，我们引入了 HIEVI-RAG，这是一种分层的、证据驱动的多模态 RAG 框架，用于闭域文档理解。 HIEVI-RAG 系统地将复杂查询分解为协作的四阶段管道：（1）分层问题分解，将多跳根查询分解为原子子问题； (2) 粗视觉页面检索，利用多模态 检索器 基于语义相似性获取候选页面； (3) 通过 EVIAGENT 进行细粒度页面验证，EVIAGENT 是一种经过 GRPO 训练的专门多页面验证器，可对多图像块执行跨页面推理； (4) 记忆引导迭代生成，利用累积的子问题上下文对优先序列执行多轮动态推理。对四个基准的广泛评估证明了我们的框架的强大功效和协同作用，其性能显着优于现有的开源基线，并且在准确度上平均超出了最强报告的基线 8.05%。