索引轻盈，推理深入：面向视觉稠密文档问答的延迟视觉摄取

现有的多模态文档问答方法主要采用预摄取 (Pre-Ingestion, PI) 策略：在索引阶段，对每一页调用视觉语言模型 (VLM) 生成页面描述，再编码为向量，通过嵌入相似性检索来回答问题。然而，该方法在视觉稠密工程文档上面临双重困境：VLM 的盲目描述不可避免地丢失关键视觉细节，嵌入检索在高度相似文档上系统性失效。本文提出延迟视觉摄取 (Deferred Visual Ingestion, DVI) 框架：预处理阶段零调用 VLM，仅利用文档结构信息 (目录、图号) 通过 HDNC (层级图号聚类) 算法自动构建层级索引；推理阶段通过 BM25 检索定位候选页面，将原始图像与具体问题一起发送给 VLM 进行针对性分析。大规模实验在三个数据集上验证了 DVI 的有效性：在桥梁工程图 (1,323个问题) 上，端到端 QA 准确率达65.6% vs. PI的24.3% (+41.3pp)；在钢材目录 (186个问题) 上，30.6% vs. 16.1% (+14.5pp)；在CircuitVQA公共基准 (9,315个问题) 上，检索 ImgR@3 达31.2% vs. 0.7%。在桥梁数据集上，我们评估了ColPali (ICLR 2025 视觉检索 SOTA)，其仅获20.1% PageR@3，表明工程文档中嵌入检索的失败是结构性的，而非模型能力不足。消融实验表明，HDNC 零成本自动索引可带来+27.5pp 检索提升，VLM 转换率分析确认瓶颈在检索端而非理解端。