Adobe首发多Agent、跨模态框架MDocAgent：复杂文档理解性能爆炸12%，错误率直降21%

文档问答太难了

含有丰富文本和视觉元素（如图表、图像等）的长文档，在进行文档问答时，现有的方案有其局限性：

• 传统的大型语言模型（LLMs）仅能处理文本信息
• 大型视觉语言模型（LVLMs）虽然能够处理视觉内容，但在处理长文档时往往效率低下，并且难以对文本和视觉信息进行有效的融合与推理。
• 现有的检索增强生成（RAG）方法虽然能够从长文档中提取关键信息，但它们通常仅依赖于单一模态（文本或图像）进行检索，缺乏跨模态的信息整合能力。

MDocAgent

5个智能体

MDocAgent通过引入多个专门的智能体（agents），协同处理文本和图像信息，以实现对文档内容的深入理解。 具体而言，MDocAgent 包含以下五个智能体：

• 通用智能体（General Agent）：负责初步的多模态信息整合，为后续的分析提供基础。
• 关键信息提取智能体（Critical Agent）：识别并提取对回答问题至关重要的文本和视觉信息，为其他智能体提供指导。
• 文本智能体（Text Agent）：专注于文本信息的分析，从文本中提取与问题相关的细节。
• 图像智能体（Image Agent）：专注于图像信息的分析，从图像中提取与问题相关的视觉细节。
• 总结智能体（Summarizing Agent）：综合所有智能体的输出，生成最终的答案。

MDocAgent架构

• MDocAgent 通过多模态多智能体的协同工作，实现对文档内容的全面理解。
• 该框架不仅关注文本和图像信息的独立分析，还强调跨模态信息的融合与推理。
• 通过将文档预处理、多模态上下文检索、关键信息提取、专门智能体处理以及答案合成等步骤有机结合，MDocAgent 能够在复杂的文档环境中，精准地定位和整合关键信息，从而生成准确的答案。

• 文档预处理：
• 文档预处理的目的是，将文档转换为适合后续分析的格式。
• 对于文档中的每一页，使用 OCR 技术识别图像中的文本内容，同时通过 PDF 解析技术提取数字化文本。
• 将提取的文本表示为文本段落序列，每个段落包含一页中的部分或全部文本。
• 同时，将每一页的原始图像保留下来，以便后续的视觉分析。
• 多模态上下文检索：
• 多模态上下文检索阶段的目标是，从文档中检索与问题最相关的文本和图像信息。
• 使用 ColBERT 对文档中的文本段落进行索引，并根据问题检索出最相关的文本段落。
• 使用 ColPali 对文档中的图像页面进行处理，生成视觉嵌入向量，并根据问题检索出最相关的图像页面。
• 通过比较文本和图像的相关性得分，选择最相关的文本段落和图像页面作为后续分析的上下文。
• 这一阶段通过结合文本和图像检索，为后续的智能体分析提供了丰富的上下文信息。

• 关键信息提取：
• 关键信息提取阶段目的是，从检索到的上下文中提取对回答问题至关重要的信息。
• 通用智能体对检索到的文本和图像信息进行初步分析，生成初步答案。
• 关键信息提取智能体则进一步分析这些信息，提取出对回答问题至关重要的文本和视觉信息。
• 提取的关键信息将作为后续专门智能体处理的输入，指导它们的分析过程。
• 这一阶段通过提取关键信息，为后续的专门智能体处理提供明确的指导，提高系统的效率和准确性。
• 专门智能体处理：
• 专门智能体处理的目的是，对提取的关键信息进行深入分析。
• 文本智能体接收提取的关键文本信息和相关的文本上下文，通过分析文本内容，生成详细的文本答案。
• 图像智能体接收提取的关键视觉信息和相关的图像上下文，通过分析图像内容，生成详细的视觉答案。
• 文本智能体和图像智能体分别从文本和图像的角度对问题进行分析，生成的答案将作为后续答案合成阶段的输入。
• 这一阶段通过专门智能体的协同工作，实现对文本和图像信息的深入分析，为最终答案的生成提供了丰富的依据。

• 答案合成：
• 答案合成阶段目的是，综合所有智能体的输出，生成最终的答案。
• 总结智能体接收来自通用智能体、文本智能体和图像智能体的答案。
• 总结智能体分析这些答案，识别其中的共同点、差异和互补信息。
• 总结智能体根据这些分析结果，生成一个综合性的答案，该答案不仅考虑了文本和图像信息，还考虑了它们之间的关系。
• 这一阶段通过综合分析所有智能体的输出，生成了一个全面且准确的答案。

MDocAgent方案VS M3DocRAG & ColBERT+Llama3.1

案例1

• 要求比较文档中两个不同拉丁裔群体的人口数量：外国出生的拉丁裔和通过手机采访的拉丁裔。
• 文档中包含了相关的文本描述和表格数据，但这些信息分散在不同的位置，需要同时从文本和图像中提取并整合。

• 检索阶段：
• ColBERT 和 ColPali 成功检索到了包含相关信息的页面，但仅检索到页面是不够的，还需要进一步分析页面中的具体内容。
• ColBERT：仅依赖文本信息，未能准确解析文本中的数值数据，错误地得出“外国出生的拉丁裔人口更多”的结论。
• M3DocRAG：虽然结合了文本和图像信息，但由于缺乏对关键信息的细致提取和跨模态整合能力，未能正确回答问题。
• MDocAgent 通过多模态上下文检索，同时利用文本和图像信息，避免了单一模态方法的局限性。
• 初步分析与关键信息提取：
• 通用智能体（General Agent）生成了一个初步但较为模糊的答案，指出“通过手机采访的拉丁裔人口更多”。
• 关键信息提取智能体（Critical Agent）识别出关键信息，包括文本中的“外国出生（排除波多黎各）”和图像中的“手机抽样框架”表格。
• 专门智能体处理：
• 文本智能体（Text Agent）根据关键信息提取智能体提供的线索，从文本中提取到“外国出生（排除波多黎各）的人数为 795”。
• 图像智能体（Image Agent）从表格中提取到“通过手机采访的人数为 1051”。
• 答案合成：
• 总结智能体（Summarizing Agent）整合所有智能体的输出，生成最终答案：“通过手机采访的拉丁裔人数（1051）大于外国出生的拉丁裔人数（795）”。

案例2：

• 要求从一个列表中识别出唯一一个没有包含人员的相应图像的原因。
• 文档中包含了一个关于 NTU 智慧校园的列表，但列表没有明确编号，且每个原因旁边都有相应的图像。

• 检索阶段：
• ColBERT 未能检索到正确的证据页面，导致 ColBERT + Llama-3.1-8B 无法回答问题。
• ColPali 成功检索到了包含证据的页面，但由于缺乏对关键信息的细致提取和跨模态整合能力，未能正确回答问题。
• MDocAgent 通过多模态检索，成功定位到包含关键信息的页面。
• 初步分析与关键信息提取：
• 通用智能体（General Agent）生成了一个初步答案，但未能准确识别。
• 关键信息提取智能体（Critical Agent）识别出关键文本线索“Most Beautiful Campus”和相应的视觉元素（NTU 校园的图像）。
• 专门智能体处理：
• 文本智能体（Text Agent）根据关键信息提取智能体提供的线索，尝试从文本中找到相关信息，但由于文本中没有明确的列表编号，未能直接找到答案。
• 图像智能体（Image Agent）利用关键信息，正确识别出“NTU campus without people”作为答案。
• 答案合成：
• 总结智能体（Summarizing Agent）综合所有智能体的输出，最终确定答案为“Most Beautiful Campus”，并指出该原因的图像中没有人员

案例3：

• 要求从文档中识别出 Professor Lebour 的学位。
• 文档中包含相关文本描述和图像，但信息分散在不同的位置，需要同时从文本和图像中提取并整合。

• 检索阶段：
• ColBERT 成功检索到了包含相关信息的页面，但 ColBERT + Llama-3.1-8B 在生成答案时错误地将 “F.G.S.” 识别为一个学位，导致答案不准确。
• ColPali 未能检索到正确的页面，导致 M3DocRAG 无法回答问题。
• MDocAgent 通过多模态检索，成功定位到包含关键信息的页面。
• 初步分析与关键信息提取：
• 通用智能体（General Agent）生成了一个初步答案，但未能准确识别所有信息，错误地将 “F.G.S.” 识别为一个学位。
• 关键信息提取智能体（Critical Agent）识别出关键文本线索 “M.A.”，并从图像中提取了相关的视觉线索。
• 专门智能体处理：
• 文本智能体（Text Agent）根据关键信息提取智能体提供的线索，从文本中提取到 “G. A. Lebour, M.A., F.G.S.”，并确认 “M.A.” 是一个学位。
• 图像智能体（Image Agent）利用关键信息，确认图像中没有提供额外的学位信息，但支持文本中的 “M.A.”。
• 答案合成：
• 总结智能体（Summarizing Agent）综合所有智能体的输出，最终确定答案为 “Prof. Lebour holds a Master of Arts (M.A.) degree.”。