DocMIDE：面向视觉丰富文档的多跳隐式推导学习

arXiv 上的一项研究提出 DocMIDE 微调框架，针对视觉丰富文档中缺少直接视觉对应字段的隐式取值，训练小型视觉语言模型先检索视觉证据、再执行多跳推导。论文称在 4151 对隐式抽取基准上，Qwen3.5-4B 的准确率从 70.8% 提升至 95.9%，且方法可迁移到第二种骨干架构。

此前系统多依赖固定 schema 抽取页面上可直接看到的文本字段，对需要聚合子类或解读视觉标记的隐式值处理有限。该工作显示，仅靠监督示范难以缩小差距，而对中间推导步骤给予奖励可以显著提升多跳视觉推理准确率。

DocMIDE 将生成约束为“规划—检索—推导”结构，先显式定位视觉证据块，再逐步完成中间推导，最后输出取值。训练使用 Group Relative Policy Optimization，并采用四部分规则奖励，分别评估输出格式、检索到的证据块、每一步中间推导以及最终值与已验证参考轨迹的一致性。

对文档处理类产品而言，这意味着可在较少标注样本下用紧凑视觉语言模型处理需要多跳推导的字段，减少对僵化 schema 和人工规则的依赖。研发重点会从单纯扩大标注转向设计可验证的中间步骤奖励与证据定位监督，评估也需覆盖检索正确性和推导链路。

• 在发票、报表、合同等隐式字段抽取场景中，用 DocMIDE 式计划—检索—推导流程替换仅输出最终值的抽取接口。
• 围绕四部分奖励搭建内部数据标注与验证流水线，对证据块、中间步骤和最终值分别打分。
• 针对已有业务 schema 中缺乏直接视觉对应的字段，先梳理聚合与视觉标记类推导需求，再评估小模型微调可行性。
• 将证据块与中间推导步骤作为可解释输出暴露给审核人员，降低高价值文档的复核成本。

• 4151 对基准的具体构成、来源领域和字段类型未被说明，是否覆盖真实生产文档分布仍待确认。
• 从 70.8% 到 95.9% 的提升是否在第二种骨干架构上同样成立，证据只称可迁移但未给出数值。
• 所需标注样本规模仅描述为“少量已标注示例”，实际数量与标注成本尚不明确。
• 四部分规则奖励在缺少已验证参考轨迹时如何构建，以及是否依赖高成本人工标注，尚未说明。