DocVAL: Distillazione del Ragionamento Spaziale per il VQA Documentale

I ricercatori propongono DocVAL, un framework di distillazione validata del chain-of-thought (CoT) per il visual question answering (VQA) documentale. DocVAL trasferisce il ragionamento spaziale esplicito da grandi modelli vision-language (VLM) insegnanti a VLM studenti compatti, affrontando il degrado della localizzazione nei modelli più piccoli. Il framework combina la supervisione spaziale CoT generata dall'insegnante, un validatore dual-mode basato su regole che filtra segnali di bassa qualità e fornisce feedback correttivo a livello di pixel, e una procedura di addestramento a due stadi guidata dalla validazione con raffinamento iterativo. Il lavoro mira a un'implementazione efficiente di VLM con un forte grounding spaziale in layout documentali complessi.