InSight-doc：面向长文档的智能视觉感知框架

长文档理解通常需要对许多视觉丰富的页面进行推理，这使得推理成本高昂且容易发生上下文腐烂。在这项工作中，我们提出了InSight-doc，一种智能视觉感知框架，将视觉分辨率视为一种自适应的推理时间资源。InSight-doc从低分辨率开始，选择性地放大到高分辨率区域以获取更精细的证据，而不依赖任何外部检索器。为了训练这样的智能体，我们构建了一个包含17.9K高质量SFT示例的主动感知语料库，这些示例带有区域级放大轨迹，并伴有19.2K硬RL示例。通过SFT+RL，InSight-doc-8B在文档VQA基准上将基线提高了4.3--16.4个准确率点。在长文档上，它将幻觉减少了40%以上，推理延迟降低了41%--68%，同时保持了准确率领先。我们的代码、数据集和模型已在https://github.com/m-Just/InSight-doc 发布。