论文
Found but Not Read：文档VLM的检索-阅读鸿沟
Found but Not Read: When Extracted Text Closes the Retrieval-Reading Gap in Document Vision-Language Models
摘要
检索增强的文档问答假设：一旦找到正确的页，视觉语言模型（VLM）就能读它。我们证明该假设经常失效，留下检索-阅读鸿沟：证据被找到但未被使用。配对协议隔离该差距：比较仅用检索页图像的回答与同图像加其提取文本的回答。在我们带可追溯证据的FoveDoc-Bench上，检索几乎找到每个证据页，但加入CPU-OCR文本使严格准确率提升13至16点；精确文本层使增益约翻倍，跨三族六个VLM出现，同族内随规模收窄但不闭合。读取器读得到证据却找不到它：证据裁剪恢复大部分文本增益，页面上的框则毫无作用。同一协议识别两个边界：提取文本对文本类证据有帮助，对图表与图形中性或有害；随检索退化优势缩小，同形无关文本无可检测增益。提取文本是有效检索的放大器，不是失效检索的替代品。代码/项目页：https://github.com/atoz03/fovedoc-sup。