圖文并茂的PDF長文檔在日常生活中無處不在。過去人們通常使用OCR，layout detection等方法對PDF長文檔進(jìn)行解析。但隨著多模態(tài)大模型的發(fā)展，PDF長文檔的端到端閱讀理解成為了可能。

為了評測多模態(tài)大模型在PDF長文檔上的閱讀理解能力，由上海AI Lab領(lǐng)銜提出的MMLongBench-Doc評估基準(zhǔn)測試了14個LVLMs（視覺語言大模型）。

評估結(jié)果表明：表現(xiàn)最好的GPT-4o在整體F1分?jǐn)?shù)上也只達(dá)到了 44.9%。

GPT-4V排名第二，得分30.5%。

除了這兩個模型，其他被評測LVLMs的表現(xiàn)更是要弱于OCR+LLMs形式。

這些結(jié)果表明，目前的LVLMs在端到端PDF長文檔閱讀任務(wù)上雖然表現(xiàn)出了一定的潛力，但仍然還有很大的提升空間。

135個PDF、1091個問題

LVLMs的出現(xiàn)有效促進(jìn)了文檔理解任務(wù)的解決。針對單頁文檔，常見的閉源和開源模型都展示出了相當(dāng)不錯的表現(xiàn)（DocVQA > 90%；ChartQA > 80%）。然而，日常生活中閱讀的文檔，如論文、財報、宣傳資料，往往有更多的頁數(shù)，許多文檔長度可以達(dá)到數(shù)十頁甚至上百頁。面對長文檔，無論是單頁信息的查詢還是跨頁信息的理解都極具挑戰(zhàn)性，因此對LVLMs的能力提出了更高的要求。

因此研究團(tuán)隊提出了《MMLONGBENCH-DOC: Benchmarking Long-context Document Understanding with Visualizations》，以進(jìn)一步評估LVLMs在超長文檔解析方面的能力。

MMLongBench-Doc的數(shù)據(jù)統(tǒng)計量、文檔格式和問題類型示例如圖1所示。

與之前的文檔理解數(shù)據(jù)集相比，MMLongBench-Doc在文檔側(cè)和問題側(cè)都具有顯著優(yōu)勢：

△MMLongBench-Doc的數(shù)據(jù)統(tǒng)計量

文檔側(cè)：研究團(tuán)隊手動選取了135篇PDF格式的文檔，涵蓋學(xué)術(shù)論文、財務(wù)報告、教程、宣傳手冊等7個不同領(lǐng)域。絕大多數(shù)文檔都具有復(fù)雜的版式結(jié)構(gòu)，并且包含多種模態(tài)（文字、表格、圖片等）的內(nèi)容。文檔的平均長度為47.5頁，文本信息超過兩萬個單詞，篇幅和信息量遠(yuǎn)遠(yuǎn)超過其他數(shù)據(jù)集中的文檔。

△文檔的分布（左）。文檔的頁數(shù)與字符數(shù)統(tǒng)計（右；包含和之前數(shù)據(jù)集的比較）

問題側(cè)：由10名phd-level的標(biāo)注者人工標(biāo)注了1091個問題：

這些問題可以分為三類：single-page、cross-page和unanswerable。

Single-page question：44.5%的問題是針對某一頁內(nèi)容設(shè)計的，重點考察大模型從長文本中查找信息的能力（類似于大海撈針）；

Cross-page question: 33%的問題需要綜合兩頁甚至更多頁內(nèi)容的信息來回答，重點考察大模型面對多跳問題的綜合推理能力；

Unanswerable question: 為了防止模型利用文檔中的捷徑回答問題，22.5%的問題被設(shè)計為沒有答案，即無法根據(jù)文檔中提供的信息進(jìn)行回答。

這些問題均勻分布在文檔的不同位置（page index）和不同模態(tài)（分為text, layout, table, chart, image五種）的內(nèi)容中。

△問題均勻分布在文章的不同位置

其他被評測LVLMs整體表現(xiàn)弱于OCR+LLMs

研究評測了14個LVLMs（4個閉源模型，10個開源模型）在MMLongBench-Doc上的表現(xiàn)。

通過給定一篇文檔和一個基于該文檔的問題，研究人員將PDF格式的文檔轉(zhuǎn)化成多張PNG格式的頁面截圖，并將這些截圖輸入給LVLMs。作為比較，還使用OCR工具將PDF文檔轉(zhuǎn)化為TXT文本，并使用這些TXT文本評測了10個LLMs的表現(xiàn)。評測的具體結(jié)果如下所示。

△LVLMs與LLMs在MMLongBench-Doc上的實驗結(jié)果

研究團(tuán)隊發(fā)現(xiàn)：

GPT-4o在所有LVLMs中表現(xiàn)最佳，F(xiàn)1分?jǐn)?shù)達(dá)到了約45%；排名第二的GPT-4V的F1分?jǐn)?shù)則為約31%。其余LVLMs的表現(xiàn)則在20%左右甚至更低。這說明，目前的LVLMs尚不足以勝任端到端的長文檔閱讀理解。

通過對比LVLMs和OCR+LLMs的表現(xiàn)。盡管OCR解析會對PDF文本帶來損耗（尤其是對圖表類信息），除了GPT-4o和GPT-4V這兩個模型外，其他被評測的LVLMs整體表現(xiàn)弱于OCR+LLMs。這進(jìn)一步說明目前的LVLMs在長文檔閱讀理解上還有很大的潛力。

△LVLMs與LLMs的實驗結(jié)果對比

對于能力更強的LVLM模型，比如GPT-4o，其直接讀取PDF圖片的表現(xiàn)則優(yōu)于其讀取OCR版本的文檔，這說明了多模態(tài)大語言模型在端到端的長文檔閱讀理解任務(wù)上具有更高的上限。

此外，研究團(tuán)隊還對六個不同模型進(jìn)行了定性分析。

如下圖所示，這個問題來自于一個40頁長的文檔，需要綜合第9，10頁中的兩個表格和第16頁中的一個圖表進(jìn)行多步推理才能夠回答。

可以看到除了GPT-4o回答正確外，GPT-4V也給出了正確的分析思路（但因為在抽取第10頁的信息時出錯導(dǎo)致最終的答案不正確），而其他模型的回答則明顯存在很大的問題。

△案例分析

更多定量和定性的分析討論可閱讀論文原文。

論文地址：https://arxiv.org/pdf/2407.01523
項目頁：https://mayubo2333.github.io/MMLongBench-Doc/
數(shù)據(jù)集：https://huggingface.co/datasets/yubo2333/MMLongBench-Doc
GitHub：https://github.com/mayubo2333/MMLongBench-Doc