arXiv ID:
2607.07179
arXiv 提交日期: 2026-07-08
面向通用文档视觉问答的领域自适应视觉语言模型比较研究 / Comparative Study of Domain-adapted VLMs for General Document Visual Question Answering
1️⃣ 一句话总结
这篇论文系统比较了8种开源视觉语言模型在不同类型文档(工业文档、信息图、幻灯片)上的视觉问答能力,发现模型在复杂视觉布局下表现显著下降,而小模型通过微调可以大幅提升性能,且仅用50个目标样本就能快速适应新文档领域,甚至超越全监督训练的效果。