文档RAG准确率提升15%的关键，视觉Token预算从1K拉到32K，POSTECH提出LoC框架

在多模态文档检索增强生成（RAG）系统中，一个常见却长期被忽视的现象是：检索指标表现优异，top-K结果中明确包含答案所在页面，但最终生成的回答仍严重偏离事实。这种“检索对了、回答错了”的断层，过去常被归咎于检索器性能不足，工程师们反复调优向量模型、重排序策略与top-K参数，却收效甚微。韩国浦项科技大学（POSTECH）最新论文《Loud and Clear: Making Visual Evidence Count in Multimodal Document RAG》将问题根源指向了一个更基础的环节：模型是否真正“看到”并“理解”了被检索出的页面图像。

该研究揭示的核心瓶颈在于视觉Token预算严重不足。视觉语言模型（VLM）无法直接处理原始图像，必须先将页面截图切分为固定大小的图像块（patches），再编码为离散的视觉Token序列输入模型上下文。这一过程类似给模型分配“像素口粮”——token数量越少，图像分辨率越低，细节信息损失越严重。例如，一张A4纸大小的文档截图若被压缩至极低分辨率，表格边框、小字号注释、图表坐标轴等关键证据可能完全糊化，即便模型“拿到”了正确页面，也无从提取有效信息。

研究团队对五种主流多模态文档RAG方法（M3DocRAG、VDocRAG、VisRAG、SV-RAG、VisDoM）进行了标准化“体检”：固定使用真实答案页（oracle pages）作为输入，锁死生成模型、提示词与解码策略，仅改变图像预处理方式。结果显示，这些系统实际分配给生成器的视觉Token中位数仅为0.7K–2.7K，其中VisRAG与VisDoM有一半查询甚至低于700 token。这一数值远低于当前主流VLM（如Qwen-VL、LLaVA-NeXT）支持的视觉上下文上限（通常为16K–64K），暴露出工程实践中为节省算力而过度压缩图像的普遍倾向。

在SciEGQA基准测试中，研究人员将纯页图的视觉Token预算从1K逐步提升至32K，其余条件完全不变。结果令人意外：准确率从65.74%稳步上升至80.96%，绝对提升达15.22个百分点。这表明，仅通过增加输入图像的保真度与细节保留量，即可显著改善生成质量，且无需修改模型权重或训练流程。

更进一步，研究发现单纯放大整页并非最优解。当固定总预算为16K时，采用“25%分配给整页+75%聚焦于证据区域裁切图”的混合策略，准确率达到83.73%，比纯整页方案（79.98%）高出3.75点；而若仅提供裁切区域（即“Crop-only”），准确率反而骤降至80.98%，印证了全局上下文对理解版式与语义关联的重要性。

基于上述发现，论文提出免训练框架LoC（Loud and Clear），其设计逻辑清晰：

Loud：充分用满视觉Token容量，优先采用整页高分辨率缩放策略（而非重复喂入、多尺度视图或分块平铺），因其在跨基准测试中表现最稳定；
Clear：对页面内容进行精修增强，突出关键证据区域，例如通过OCR提取文本并融合进视觉输入。

在消融实验中，作者对比了五种“预算分配策略”：整页缩放、重复同页、重复空白页、2×2分块平铺、三档多尺度视图。数据表明，整页缩放无论在低预算（2K）还是高预算（64K）区间均优于其他方法；多尺度视图虽在SciEGQA上表现亮眼，但在ViDoRe-v3上4K后性能反超，稳定性不足，故未被纳入最终框架。

值得注意的是，LoC框架并未引入额外训练步骤或复杂模块，而是通过重构输入预处理流程实现性能跃升。在SciEGQA、ViDoRe-v3和DocVQA三个标准基准上，LoC全面超越包括M3DocRAG、VisRAG在内的8种既有方法，成为当前无需训练的最优方案之一。

该研究的价值不仅在于提出有效技术路径，更在于重新定义了多模态RAG的优化边界。过去行业焦点集中于检索精度与语言模型能力，而POSTECH的工作证明：输入表征的质量本身就是一个独立且可量化的性能瓶颈。尤其在处理含复杂排版、图表、公式或小字号文本的学术论文、财报、法律文书等专业文档时，视觉Token预算的合理配置至关重要。

图中案例显示，当模型仅接收模糊页面时，易将“abstract: concrete, thinking, action”误识别为“human: machine, human, rational”，导致回答错误；而经LoC处理后，通过保留完整页面结构并强化证据区域（如高亮“DS”与“AI”列），模型能准确区分目标字段，输出正确答案。

从工程落地角度看，LoC的轻量化特性使其易于集成至现有RAG流水线。开发者无需更换底座模型或重训系统，只需调整图像预处理模块的分辨率与裁剪策略，即可获得显著收益。考虑到当前VLM推理成本仍较高，如何在有限算力下高效分配视觉Token资源，将成为后续优化的关键方向。

此外，该研究也呼应了近期业界对RAG评估体系的反思。例如Vicquant评测中曾指出，部分系统在路由阶段即漏掉多数问题，导致后续生成无从谈起。POSTECH工作则强调：即使路由精准，若生成端“看不清”，同样会导致失败。这意味着完整的RAG质量保障需覆盖“检索→输入表征→生成”全链路，缺一不可。

随着企业知识库、金融研报、医疗影像报告等场景对多模态RAG需求激增，如何让模型真正“读懂”文档图像，已不再是一个理论问题，而是影响产品可用性的核心工程挑战。LoC框架提供了一条简洁、高效、可复现的解决路径，也为后续研究指明了新方向：视觉Token的分配策略、局部-全局信息融合机制、以及与OCR/版面分析模块的协同优化，或将构成下一代文档智能系统的关键支柱。