近年、検索エージェントを強化学習で訓練する手法が注目を集めている。これらの手法は（質問、回答、証拠）のタプルのみを必要とし、専門家の軌跡を必要としないが、訓練環境の特性がエージェントの学習する検索戦略や汎化能力に直接影響を与える。しかし、既存の環境は主にテキストベースであり、制御可能でスケーラブル、かつマルチモーダルデータを考慮した訓練環境の構築は困難である。この課題に対し、Jiamian Wangら8名の研究チームはDocArenaを提案した。これは、マルチモーダル文書検索と質問応答の実用的ニーズに基づく完全自動のデータキュレーションパイプラインであり、2026年5月27日にarXiv（番号2606.26122）に投稿された。
DocArenaの核心的な革新は、人手アノテーションを一切必要としない点にある。このパイプラインはまず、マルチモーダル大規模言語モデル（MLLM）による視覚認識を用いて生文書を構造化しインデックスを構築する。次に、ページ間の情報分布を分析して推論集約型のQAペアを生成し、MLLMによるカスケード品質保証を実行してデータ品質を確保する。このプロセスにより、研究チームはDocArena-79Kデータセットを構築した。これは8,336文書から得られた79,000のQAペアを含み、16のドメインと49の言語にわたり、幅広いマルチモーダルおよび多言語対応を示している。
このデータセットを効率的に活用するため、著者らはDoc-Searchエージェントインフラストラクチャを設計した。このアーキテクチャの鍵は、視覚認識モジュールとポリシーモデルを分離することにある。視覚認識はMLLMが担当し、ポリシーモデルはテキストベースLLMを推論バックボーンとして採用できるため、マルチモーダルモデルの推論能力への依存を軽減できる。この設計により、既存の強力なテキストLLMをマルチモーダル文書検索とQAタスクに直接適用でき、システムの柔軟性と拡張性が向上する。
統一評価フレームワークの下、研究チームは6つのマルチモーダル文書シナリオと7つのテキストベースQAベンチマークで実験を行い、ポリシーモデルのみを変更することで訓練データの効果を公平に比較した。その結果、DocArenaデータで訓練されたエージェントは、検索精度とQA品質の両方で最高性能を達成した。さらに、エージェントの検索行動の分析により、構築された訓練環境の有効性と制御可能性が確認され、環境設計がエージェントのより優れた検索戦略の獲得を導くことが示された。
全体として、DocArenaは完全自動プロセスを通じて生文書を制御可能な訓練環境に変換し、マルチモーダル文書検索エージェントの訓練におけるデータ不足、アノテーションコストの高さ、制御性の低さといった問題を解決する。これにより、文書検索分野にスケーラブルで高品質なソリューションを提供する。