Új multimodális adatbázis segíti a dokumentumkereső AI-k betanítását

A kutatók egy új, automatizált adatfeldolgozó rendszert, a DocArenát mutatták be, amely nyers dokumentumgyűjteményeket alakít át multimodális dokumentumkereső és kérdés-válaszoló AI-ügynökök számára kontrollálható tannyeznyezetekké. A korábbi, főként szövegalapú rendszerekkel szemben a DocArena képes vizuális percepciót is használni a dokumentumok strukturálásához és indexeléséhez, emberi beavatkozás nélkül.

A DocArena-79K nevű új adatbázis 8336 dokumentumot dolgoz fel, 16 különböző témakörben és 49 nyelven, összesen 79 ezer kérdés-válasz párt generálva. Az adatgyűjtő csővezeték először multimodális LLM-ek (MLLM) segítségével strukturálja és indexeli a dokumentumokat, majd a lapok közötti információeloszlást kihasználva hoz létre komplex kérdés-válasz párokat. Ezt követően MLLM-alapú minőségbiztosítási folyamat szűri az eredményeket.

Kapcsolódó: FinAgent-RAG pénzügyi elemzés

A DocArena működése

A rendszer szétkapcsolt architektúrát használ, ahol a szövegalapú LLM-ek a gondolkodási gerincet alkotják, míg a vizuális percepciót külön kezelik. Ez lehetővé teszi a rugalmasabb és hatékonyabb multimodális dokumentumkeresést és kérdés-válaszolást. A DocArena-t a kutatók szerint a meglévő multimodális dokumentumkeresési és QA-benchmarkokon tesztelték, ahol a DocArenán betanított ügynökök kiemelkedő eredményeket értek el mind a visszakeresési pontosságban, mind a kérdés-válaszolási minőségben.

Kapcsolódó: EvolveMem önfejlesztő memória

Eredmények és kontrollálhatóság

A hat különböző multimodális dokumentumforgató és hét szövegalapú QA-teljesítményteszten elért eredmények azt mutatják, hogy a DocArenán képzett ügynökök felülmúlják a többi rendszert. A kutatók továbbá elemezték az ügynökök keresési viselkedését, megerősítve a létrehozott tannyeznyezet hatékonyságát és kontrollálhatóságát. Az eredmények előnyomtatott formában érhetők el az arXivon.

Kapcsolódó: Pneuma-Seeker kérdéspontosítás

A DocArena-79K adatbázis és a hozzá kapcsolódó infrastruktúra várhatóan jelentősen hozzájárul a jövőbeli multimodális kereső- és QA-rendszerek fejlesztéséhez. A kutatók a DocArena-val kapcsolatos további részleteket a 2026. június 26-án publikált előnyomtatott tanulmányukban ismertetik.

Kapcsolódó: AI-ügynökök adatkurálás