MultiDocFusion：面向长型工业文档的层次化多模态分块管线
人工智能
2026-04-15 v1 计算与语言
摘要
基于检索增强生成（RAG）的问答方法已成为处理长型工业文档的强大方法。然而，常规的文本分块方法往往忽视复杂且长型的工业文档结构，导致信息丢失和答案质量下降。为此，我们提出 MultiDocFusion，一种集成以下功能的多模态分块管线：（i）基于视觉的文档解析检测文档区域；（ii）通过光学字符识别（OCR）从这些区域提取文本；（iii）利用基于大语言模型（LLM）的文档章节层次解析（DSHP-LLM）重建文档层次结构；（iv）通过基于深度优先搜索（DFS）的分组构建层次化分块。跨工业基准的大量实验表明，MultiDocFusion 在检索精度提升 8-15%、ANLS 问答得分提升 2-3%方面显著优于基线，凸显在多模态文档问答中显式利用文档层次结构的关键作用。这些显著的性能提升进一步证明了结构感知分块在提升 RAG 问答系统保真度方面的必要性。
引用
@article{arxiv.2604.12352,
title = {MultiDocFusion: Hierarchical and Multimodal Chunking Pipeline for Enhanced RAG on Long Industrial Documents},
author = {Joongmin Shin and Chanjun Park and Jeongbae Park and Jaehyung Seo and Heuiseok Lim},
journal= {arXiv preprint arXiv:2604.12352},
year = {2026}
}