DocTrace：通过分层证据图推理实现可追溯长文档视觉问答

长文档视觉问答（LongDocVQA）要求大型多模态语言模型（MLLMs）来定位、集成和推理分布在多个页面上的异构文档元素。现有的方法，包括端到端的MLLMs、增强检索生成（RAG）管道和文档代理，往往缺乏表示和验证证据如何逐步组合以进行推理的明确机制，限制了答案准确性和可追溯性。在这篇论文中，我们把LongDocVQA视为一个显式的证据图推理问题，而不是隐式的答案预测。为此，我们提出DocTrace，这是一个分层框架，逐步执行证据定位、结构化的文档解析和证据图推理，以实现明确的证据来源。为了有效地学习这些能力，我们开发了一个两阶段训练框架：首先进行联合监督微调（SFT），初始化证据定位和图推理能力，然后通过专门奖励的任务特定组相对策略优化（GRPO）进一步优化这些能力。我们在MMLongBench-Doc、LongDocURL和SlideVQA上进行了广泛的实验，证明DocTrace在现有开源基准和专用MLLMs中持续优于表现。与Qwen3-VL-8B-Instruct主干相比，DocTrace分别在三个基准上实现了绝对改进14.4、11.3和11.7点。除了竞争性的性能之外，DocTrace构建了带有明确节点级来源的可追溯证据图，使长文档理解中的透明且可验证推理成为可能。