近日，一篇發表於arXiv的論文提出了DocArena，一種全自動資料整理流水線，旨在將原始文件轉化為可控、可擴充套件的訓練環境，用於訓練文件搜尋智慧體。該研究由Jiamian Wang等8位作者完成，論文編號為2606.26122，於2026年5月27日提交。
傳統的搜尋智慧體訓練方法通常依賴強化學習，從（問題、答案、證據）三元組中學習，無需專家軌跡。這些三元組構成了訓練環境，其屬性直接影響智慧體能夠發展的搜尋策略和泛化能力。儘管先前的工作在提高訓練資料質量方面取得了進展，但現有環境仍以文本為主，難以實現可控性、可擴充套件性，且無法處理多模態資料。DocArena正是為解決這些侷限性而設計。
該流水線首先透過基於多模態大語言模型（MLLM）的視覺感知對文件進行結構化和索引。然後分析跨頁面的資訊分佈，以構建推理密集的問答對。最後，透過MLLM執行級聯質量保證操作，確保資料質量。整個過程無需任何人工標註，完全自動化。基於此，研究團隊推出了DocArena-79K資料集，包含來自8,336篇文件的問答對，覆蓋16個領域和49種語言。
此外，他們還設計了一種Doc-Search智慧體架構，將視覺感知與策略模型解耦，使得基於文本的大語言模型（LLM）能夠作為多模態文件檢索和問答的推理骨幹。在統一的評估框架下，僅改變策略模型，實驗表明，在六個多模態文件場景和七個文本問答基準上，基於DocArena資料訓練的智慧體在檢索準確率和問答質量上均取得了最佳效能。進一步的分析證實了該訓練環境的有效性和可控性，尤其是在智慧體搜尋行為方面。這一創新為文件搜尋智慧體的發展提供了新的方向，有望推動相關領域的研究和應用。