CogDoc: Towards Unified thinking in Documents

📄 arXiv: 2512.12658v1 📥 PDF

作者: Qixin Xu, Haozhe Wang, Che Liu, Fangzhen Lin, Wenhu Chen

分类: cs.CV

发布日期: 2025-12-14

💡 一句话要点

CogDoc：提出统一的文档理解框架，解决长文档处理中的可扩展性和细节保真度问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 文档理解 长文档处理 多模态学习 强化学习 视觉文档分析

📋 核心要点

  1. 现有文档推理方法在处理长文档时，难以兼顾可扩展性和对细粒度多模态信息的准确捕捉。
  2. CogDoc框架模仿人类认知过程，通过“快速阅读”和“专注思考”两个阶段，实现高效且细致的文档理解。
  3. 实验表明，直接强化学习比监督微调初始化强化学习更有效，且CogDoc模型在视觉文档理解任务上超越了更大规模的模型。

📝 摘要（中文）

本文提出了CogDoc，一个统一的由粗到精的文档理解框架，旨在弥合现有文档推理范式在可扩展性（处理长上下文文档）和保真度（捕获细粒度、多模态细节）之间的根本权衡。CogDoc模仿人类的认知过程，首先进行低分辨率的“快速阅读”阶段以实现可扩展的信息定位，然后进行高分辨率的“专注思考”阶段以进行深度推理。论文深入研究了统一思考框架的后训练策略，表明直接强化学习（RL）方法优于使用监督微调（SFT）初始化的RL。具体而言，发现直接RL避免了SFT中观察到的“策略冲突”。实验结果表明，7B模型在同等参数规模下实现了最先进的性能，并在具有挑战性的、视觉丰富的文档基准测试中显著超越了更大的专有模型（例如，GPT-4o）。

🔬 方法详解

问题定义：现有文档理解方法面临可扩展性和保真度之间的权衡。处理长文档时，为了提高效率，往往牺牲了对文档细节的精确理解，尤其是在视觉信息丰富的文档中。现有方法难以同时处理长上下文和细粒度的多模态信息。

核心思路：CogDoc的核心思路是模仿人类的认知过程，将文档理解分为两个阶段：首先进行快速扫描，定位关键信息；然后对关键区域进行深入分析。这种由粗到精的策略旨在在可扩展性和保真度之间取得平衡。

技术框架：CogDoc框架包含两个主要阶段： 1. 快速阅读阶段：使用低分辨率的输入，快速扫描整个文档，提取关键信息和区域。这一阶段旨在提高处理长文档的效率。 2. 专注思考阶段：使用高分辨率的输入，对快速阅读阶段识别的关键区域进行深入分析和推理。这一阶段旨在提高对文档细节的理解。 整个框架通过统一的架构实现，两个阶段共享模型参数，并通过特定的训练策略进行优化。

关键创新：CogDoc的关键创新在于其统一的由粗到精的思考框架，以及对后训练策略的深入研究。通过模仿人类的认知过程，CogDoc能够有效地处理长文档，并准确地捕捉文档中的细粒度信息。此外，论文发现直接强化学习比监督微调初始化强化学习更有效，避免了策略冲突。

关键设计：论文重点研究了后训练策略，特别是直接强化学习（RL）和监督微调（SFT）初始化RL。实验表明，直接RL能够更好地优化模型，避免SFT可能引入的策略冲突。具体的参数设置、损失函数和网络结构等技术细节在论文中进行了详细描述，但摘要中未明确提及。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CogDoc的7B模型在视觉丰富的文档基准测试中，超越了更大规模的专有模型，例如GPT-4o。这表明CogDoc框架在参数效率和性能方面具有显著优势。直接强化学习策略的有效性也得到了验证，为文档理解模型的训练提供了新的思路。

🎯 应用场景

CogDoc框架可应用于各种文档理解场景，例如财务报表分析、法律文件审查、科学论文解读等。该研究的实际价值在于提高了长文档处理的效率和准确性，有助于自动化文档处理流程，并为决策提供更可靠的信息支持。未来，CogDoc有望应用于智能办公、智能客服、智能教育等领域。

📄 摘要（原文）

Current document reasoning paradigms are constrained by a fundamental trade-off between scalability (processing long-context documents) and fidelity (capturing fine-grained, multimodal details). To bridge this gap, we propose CogDoc, a unified coarse-to-fine thinking framework that mimics human cognitive processes: a low-resolution "Fast Reading" phase for scalable information localization,followed by a high-resolution "Focused Thinking" phase for deep reasoning. We conduct a rigorous investigation into post-training strategies for the unified thinking framework, demonstrating that a Direct Reinforcement Learning (RL) approach outperforms RL with Supervised Fine-Tuning (SFT) initialization. Specifically, we find that direct RL avoids the "policy conflict" observed in SFT. Empirically, our 7B model achieves state-of-the-art performance within its parameter class, notably surpassing significantly larger proprietary models (e.g., GPT-4o) on challenging, visually rich document benchmarks.