POSTECH发现文档RAG瓶颈 视觉Token预算提至32K准确率升15.2%

韩国浦项科技大学（POSTECH）最新研究揭示，多模态文档检索增强生成（RAG）系统中普遍存在“检索对了、回答错”的现象，根源在于生成器视觉Token预算严重不足——主流方法平均仅分配0.7K–2.7K token，远低于VLM支持的16K–64K上限。实验显示，在SciEGQA基准上，固定使用真实答案页输入，仅将纯页图视觉Token预算从1K提升至32K，准确率即从65.74%升至80.96%，绝对提升15.22个百分点；若再融合证据区域OCR文本，可进一步提升3.75点。研究发现，整页高分辨率缩放策略优于分块、重复或多尺度视图，在低高预算下均最稳定。据此提出免训练框架LoC（Loud and Clear），通过充分用满视觉Token容量并强化关键证据区域，实现输入表征优化。该框架在SciEGQA、ViDoRe-v3和DocVQA三大基准上全面超越M3DocRAG等8种现有方法，且无需模型训练或结构改动，仅调整图像预处理即可落地。研究强调：检索到不等于读进去，视觉输入质量本身是独立性能瓶颈，尤其对含图表、公式、小字号的专业文档至关重要。