MMLDSum-LLM：结合视觉对齐与关键词感知的多模态长文档摘要

多模态长文档是专业知识的核心载体，其中关键证据稀疏地分布在段落与模态之间。这容易导致多模态LLM在摘要时出现关键信息遗漏和跨模态幻觉。这些问题源于长程依赖建模中的注意力漂移和模态间对齐的缺口。为解决这些问题，我们提出MMLDSum-Bench，一个面向多模态长文档摘要的高质量基准，覆盖多个领域、上下文长度规模和视觉-文本模态分布。我们进一步提出MMLDSum-LLM，一个可复现的两阶段训练框架，将有监督微调与视觉对齐加权损失和关键词感知加权损失相结合，随后进行带多目标奖励（关键词覆盖、图文对齐、ROUGE与长度控制）的GRPO。在MMLDSum-Bench上、在统一评测协议（包括LLM-as-a-judge评分、原子断言精确率/召回率、图文对齐ITA和ROUGE）下，与领先的闭源和开源多模态模型进行的广泛比较表明，我们的方法显著提升了关键信息覆盖与跨模态一致性。