D2-ScaleAgent：用于长文档理解的二维缩放

多模态检索增强生成（RAG）是视觉丰富的长文档理解的关键技术。现有的多模式 RAG 方法正在逐步向多代理系统发展：它们首先根据查询检索相关页面，然后迭代地理解这些页面中的信息。然而，这些方法通常依赖于固定的工作流程，缺乏在测试时动态扩展计算的能力，往往导致证据不足。为了解决这个问题，我们提出了 D2-ScaleAgent，这是一个代理框架，引入了用于检索和推理的二维缩放范例。 D2-ScaleAgent 的核心是基于查询固有难度的 Verifier 代理驱动的动态路由循环，以不断更新的证据库为中心，作为代理的动态工作记忆：当需要扩展检索时，代理向外路由（检索缩放），将查询分解为属性并执行并行页面检索，然后进行自适应剪枝以确保全面的证据覆盖。当需要细粒度推理时，代理向内路由（推理扩展），动态选择具有不同粒度和计数的子代理以从页面中提取证据。最后，D2-ScaleAgent实现了证据链的逻辑闭合。大量实验表明，D2-ScaleAgent 对于长且视觉效果丰富的文档基准测试（例如 MMLongBench-Doc、LongDocURL 等）非常有效。