DocMemo: Dynamic Evidence Discovery via Probabilistic Memory-Guided Retrieval for Multi-Modal Document Understanding
DocMemo 是一个用于多模态文档理解的框架，通过概率记忆引导检索实现动态证据发现。它维护三层检索状态：文档模式记忆、页面信念记忆和问题情景记忆，分别捕获结构先验、动态相关性估计和查询特定推理轨迹。在推理过程中，DocMemo 通过贝叶斯页面信念更新、汤普森采样、空间邻近传播和结构感知的自适应粒度证据访问来持续细化跨轮页面选择。
Development
- First ReportDocMemo: Dynamic Evidence Discovery via Probabilistic Memory-Guided Retrieval for Multi-Modal Document UnderstandingarXiv cs.CL
- Current Assessment该研究反映了长文档理解领域从静态检索向动态、记忆引导检索的转变，可能推动文档 AI 产品在复杂文档处理上的能力提升。可验证的下一信号是：是否有商业文档处理平台采用类似记忆引导的检索机制，或相关技术被集成到主流多模态模型中。Agent Pulse · analysis
DocMemo 提出了一种记忆引导的框架，将长文档推理形式化为动态证据探索。现有系统受限于静态检索和脆弱的跨轮记忆，单轮方法固定 top-k 页面集，难以从早期检索错误中恢复；迭代方法虽允许多轮证据获取，但未研究跨轮状态的传播机制。DocMemo 通过三层检索状态（文档模式记忆、页面信念记忆、问题情景记忆）分别捕获结构先验、动态相关性估计和查询特定推理轨迹，并利用贝叶斯页面信念更新、汤普森采样、空间邻近传播和结构感知的自适应粒度证据访问来持续细化跨轮页面选择。
DocMemo 的核心创新在于将检索视为动态证据探索，通过贝叶斯信念更新和汤普森采样来平衡探索与利用，从而在长文档中定位稀疏证据。其三层记忆结构（文档模式、页面信念、问题情景）分别处理结构先验、动态相关性和推理轨迹，可能提升多轮检索的鲁棒性。可验证的下一信号是：在标准长文档问答基准（如 DocVQA 或 LongBench）上的具体性能提升，以及与其他迭代检索方法的对比结果。
该研究反映了长文档理解领域从静态检索向动态、记忆引导检索的转变，可能推动文档 AI 产品在复杂文档处理上的能力提升。可验证的下一信号是：是否有商业文档处理平台采用类似记忆引导的检索机制，或相关技术被集成到主流多模态模型中。
对于处理长文档的 AI 产品（如法律、金融、医疗文档分析），DocMemo 可能提高证据定位的准确性和效率，减少人工审查成本。可验证的下一信号是：是否有企业级文档理解产品采用类似技术并报告业务指标提升。
DocMemo 可能为长文档理解提供新的范式，未来可能扩展到更复杂的多模态推理任务，并与其他记忆增强方法结合。可验证的下一信号是：后续工作是否在更大规模数据集上验证，或是否出现基于该框架的开源实现。