Locate, Judge, Read: Role-Specialized Tool Agents over a Knowledge-Point Index for Open-Domain Multimodal Document QA
KnowForge 将定位、补跳、阅读与答案生成拆成工具互斥的工作阶段,解决智能体持续搜索却不读取表格和图像的问题。在包含2441个问题、3368份PDF的M3DocVQA上,F1达到47.5,比同索引同模型的单轮基线高7.1点;MultiHop-RAG准确率为73.5。
INSIGHT社区UGC复杂问答可先尝试只负责检索的定位器和固定的补跳检查,再按内容类型决定是否调用阅读器。论文在纯文本新闻集上发现去掉阅读器仍达74.1,说明不应机械增加角色;先用同模型消融确认收益,再评估多轮推理对搜索延迟的影响。