阅读技术报告时，结论、条件、数据与限制往往分散在不同章节。若每次追问都需重新检索，研究成果便难以积累；若评测仅关注最终答案，则难以洞察系统的认知盲区。
近期，微软亚洲研究院推出 DocAtlas 与 XL-DocBench，分别从研究过程交互与能力评测两个维度探索长文档理解。相关论文已被 NeurIPS 2026 接收。
- DocAtlas：让智能体在搜索、阅读、记录和回顾中持续推进研究，使阅读成果可积累、可追溯。
- XL-DocBench：通过超长专业文档、人工证据标注及细粒度任务，系统检验模型的信息定位与推理可靠性。
DocAtlas：让每一次阅读，都为后续研究留下线索
PDF 的章节、页码和摘要可构建为可导航的“文档树”。DocAtlas 将长文档理解建模为智能体与可积累研究状态的持续交互，而非一次性检索生成。
核心机制：Search、Read、Note 与 Review
- Search（找方向）与 Read（查原文）：主模型首先定位相关区域，按需打开文本、图像或图表。若材料不足，智能体会沿新线索继续探索，避免机械消耗固定检索片段。
- Note（保存发现）与 Review（召回记录）：笔记不仅记录结论，还保留信息来源、已知条件及未决问题。页级发现可补充至文档树节点，既利用新线索，又保持原始 PDF 结构不变。
图 1：DocAtlas 概念图。四种工具按需使用，研究记录不等同于已验证证据。
例如，用户可先了解论文贡献，再核对实验设置并保存限制条件。后续追问时，Review 功能可召回相关记录，无需重载全部历史，但在关键判断时仍需回溯原文核验。
DocAtlas 积累的是带有来源的研究发现，而非无出处的压缩文本。其关键在于将“下一步读哪里”交给能感知研究状态的过程，确保新发现改变探索方向时，已有线索仍接受原文核验。
从理论方法走向实际操作的研究工具
DocAtlas 提供开源 TUI（终端用户界面）及 Web 版本预览。
在 TUI 中，用户选择 PDF 后即可提问，工作台实时展示寻找章节、读取材料及组织答案的过程。Web 界面则将模型回答与原文核验整合在同一工作流中，支持点击引用跳转原文、选中段落追问及保存来源清晰的笔记。
图 2：真实 TUI 演示
图 3：上图为原文核对；下图为保存研究记录。TUI 与 Web 为独立会话。
文档地图的修订属于研究层，不改写原始目录。这种界面可见性帮助用户区分模型生成内容与 PDF 原文，确保证据支持当前判断，使阅读、核对与记录成为连续的研究环节。
XL-DocBench：超越题目数量的综合评测体系
现有基准多侧重单页视觉或多页查找，难以全面覆盖超长专业材料、跨文档证据及多模态内容。XL-DocBench 旨在解决这一综合覆盖问题，包含 1,519 道题、331 份文档，涵盖金融、法律、医疗、技术等 6 个领域及 12 类推理任务。
图 4：XL-DocBench 在六个领域的问题分布
长的不只是文档，证据之间也有距离
原始文档合计 98,342 页，平均每份 297.1 页，最长单份达 2,062 页。跨文档任务的上下文最长可达 2,303 页。
人工标注显示，证据页数平均为 2.30 页，但证据跨度中位数为 7 页，P95 达 255 页。这意味着虽然最终引用页数不多，但定位这些分散页面的难度极大。“最终引用页数”不能替代“定位难度”。
图 5：XL-DocBench 的上下文长度与证据跨度分布
跨页、多模态和跨文档的挑战
在 XL-DocBench 中：
- 72.6%（1,103 道）需要多页证据；
- 36.6%（556 道）涉及表格、图表或图像；
- 10.9%（165 道）属于跨文档任务；
- 部分题目采用 None 答案格式，检验系统在证据不足时避免猜测的能力。
图 6：XL-DocBench 的证据页数、跨文档证据与答案形式分布
十二类推理任务，精准定位失败原因
推理任务分为三个层次：
- 基础层：比较、引用链；
- 结构层：排序、覆盖、信息对齐；
- 高层：集合差、不可回答、时间关系、合规、反事实、聚合、一致性。
图 7：XL-DocBench 的推理任务类型及证据覆盖情况
这种分类有助于区分“未找到相关页”、“未找全集合”或“规则应用错误”等不同失败类型，即便总分相近，系统的能力短板也可能截然不同。
模型提出候选，专家建立最终依据
XL-DocBench 采用“人工引导、模型辅助”的树引导构造流程：
- 候选生成：基于章节摘要提出问题，按领域和推理类型采样。
- 依赖检查：隐藏特定分支，若模型仍能作答，则该问题不依赖此分支，予以筛选。
- 细化与草稿：展开至具体页面，细化作答条件，模型生成草稿答案。
- 专家核验：194 位专家访问源文档，重新回答问题，标注支持页和原句，检查歧义与规则。
图 8：XL-DocBench 的树引导式数据构建与人工核验流程
图 9：XL-DocBench 的候选问题筛选与专家核验结果
需注意，文档树在 XL-DocBench 中用于构题，在 DocAtlas 中用于导航研究，两者独立。基准的标准答案和人工标签不会提供给被评测智能体。
基准验证：DocAtlas + GPT-5.4 达到 53.7%
在 XL-DocBench 测试中，DocAtlas + GPT-5.4 取得 53.7% 的精确度，比对照系统 SimpleDoc + GPT-5.4（44.0%）高出 9.7 个百分点。
图 10：DocAtlas 与 SimpleDoc 在 XL-DocBench 测试集上的准确率对比
诊断分析显示：
- 找到证据但回答错误：多为规则应用或答案形式问题；
- 未找到所需页面：多为检索和上下文组织问题。
仅增加上下文窗口或工具调用轮数无法自动解决上述问题。拆解上下文长度、证据页数与证据跨度等指标，有助于判断改进方向是检索、证据组合还是推理规则。
此外，在 MMLongBench-Doc 基准上，DocAtlas 协助 GPT-5.4 从 62.4% 提升至 71.4%；4B 策略经训练达到 63.7%。
总结：让研究过程可积累，理解能力可检验
DocAtlas 提供了寻找、读取、记录和回顾文档的工作方式；XL-DocBench 提供了面向超长材料的任务、人工证据和评价工具。二者共同推动长文档理解从“生成流畅答案”向“基于证据的可核验研究”转变，为长文档智能体的可靠应用奠定基础。
图 11：DocAtlas 与 XL-DocBench 的项目资源入口
项目资源：
项目页面：
https://officeintelligence.github.io/
DocAtlas 论文：
https://arxiv.org/abs/2608.07527
DocAtlas 开源工具：
https://github.com/microsoft/DocAtlas-Harness
XL-DocBench 论文：
https://arxiv.org/abs/2608.00036
XL-DocBench 当前公开数据：
https://huggingface.co/datasets/microsoft/XL-DocBench
#AI #Agent #人工智能 #长文档理解 #智能体 #AI研究 #微软亚洲研究院 #DocAtlas #XLDocBench #大模型评测 #文档智能 #生成式AI