核心发现
方法论
D2-ScaleAgent基于Verifier引导的闭环机制，结合Evidence Bank作为动态记忆，采用属性分解的检索扩展（Retrieval Scaling）和多粒度推理（Reasoning Scaling）策略。系统通过动态路由，根据查询难度，自动在外向（扩展证据范围）和内向（深度推理）之间切换，实现证据链的逻辑闭合。具体包括：属性解构、平行页检索、逐步证据融合、层级子代理调度，以及基于证据缺口的动态决策机制。算法核心涉及多层次子代理（Global Surveyor、Region Locator、Fine-grained Extractor）协同工作，确保证据的全面性与深度。系统通过Verifer的连续验证，动态调整检索与推理范围，避免证据不足导致的推理失败。
关键结果
- 在MMLongBench-Doc、LongDocURL等长文基准上，D2-ScaleAgent平均准确率达63.7%，明显优于MDocAgent（58.3%）和MoLoRAG（53.6%），在复杂布局和散布证据场景中表现尤为突出。
- 检索性能方面，Recall、Precision、nDCG、MRR指标均优于强基线，提升幅度达5-10%，验证其在多源证据整合上的优势。
- 消融实验显示，去除Verifier驱动的闭环机制，性能下降超过8%，证据验证和动态路由是系统性能的关键保障。
研究意义
该研究突破了长文理解中证据不足的瓶颈，提出的双维度扩展策略有效缓解了传统固定流程的局限，为多模态长文本问答、信息检索等应用提供了更具弹性和鲁棒性的解决方案。其动态调度机制实现了模型在不同证据场景下的自适应调整，极大提升理解深度和准确性，推动了AI在复杂文档处理领域的理论与实践发展。
技术贡献
创新点在于引入Verifier驱动的动态路由闭环机制，结合Evidence Bank实现证据链的逻辑闭合，突破了静态固定流程的限制。提出的Dual-Dimensional Scaling框架，实现了证据的外向扩展（Retrieval Scaling）与内向深度推理（Reasoning Scaling）两大维度的自适应调控。算法层面，融合多层次子代理（Global Surveyor、Region Locator、Fine-grained Extractor）协同工作，确保证据的全面性与深度。系统还引入了基于证据缺口的动态决策策略，有效缓解了证据不足导致的推理失败问题。这些技术创新为长文理解提供了新的理论基础和工程实现路径。
新颖性
本研究首次提出基于Verifier引导的双维度扩展策略，系统性整合检索与推理两大环节，形成闭环机制，显著优于现有的静态多模态RAG和多代理系统。其核心创新在于动态调度证据链的能力，解决了传统方法在证据不足和深度推理中的瓶颈，开创了长文理解中的新范式。
局限性
- 系统在极端复杂场景下仍可能面临证据链未能完全闭合的问题，尤其是在证据极度分散或模糊的情况下，推理的鲁棒性有待提升。
- 动态路由和多层次子代理带来较高的计算成本，尤其在大规模长文场景中，推理时间和资源消耗较大，影响实际应用效率。
- 对高质量、多模态数据的依赖较强，数据偏差或噪声可能影响系统的证据检索和推理准确性。
未来方向
未来将探索更高效的证据筛选与融合机制，降低计算成本，同时增强模型对多模态噪声的鲁棒性。还计划引入强化学习优化动态路由策略，实现更智能的证据链管理。此外，将扩展到多任务、多领域的长文理解场景，提升系统的泛化能力和实用性。
AI 总览摘要
长文本理解一直是人工智能领域的核心挑战之一。传统方法多依赖固定的检索-推理流程，难以应对证据不足和复杂布局带来的难题。尤其在多模态场景下，视觉信息丰富但结构复杂，导致模型在有限上下文中难以获得完整证据链，影响问答和信息提取的准确性。为此，Hao Zhang等提出了D2-ScaleAgent框架，创新性引入双维度扩展策略，结合Verifier驱动的动态路由机制，动态调节检索和推理范围。系统以Evidence Bank作为动态记忆，实时监控证据链完整性，自动在外向（扩大证据范围）和内向（深度推理）之间切换。核心技术包括属性解构、多粒度证据融合和多层次子代理协同工作，确保证据的全面性和深度。实验结果显示，在MMLongBench-Doc、LongDocURL等长文基准上，D2-ScaleAgent实现了63.7%的平均准确率，优于现有最先进的多模态RAG和多代理系统。 Ablation研究验证了Verifier闭环机制的重要性，证据验证和动态调度显著提升性能。该方法不仅解决了长文理解中的证据不足问题，也为未来多模态复杂文档处理提供了新思路。尽管如此，模型在极端复杂场景下仍需优化效率和鲁棒性，未来将关注更高效的证据管理和跨领域泛化能力。总体而言，D2-ScaleAgent为长文本理解提供了具有理论创新和工程价值的解决方案，推动了多模态AI的研究前沿。
深度分析
研究背景
随着信息技术的发展，长文本理解逐渐成为人工智能研究的重要方向。早期方法主要依赖规则或浅层模型，难以捕捉复杂结构和多模态信息。近年来，深度学习模型如Transformer（Vaswani et al., 2017）推动了自然语言处理的快速发展，但其在长文场景中仍受限于上下文窗口大小。多模态模型如Li et al. (2023)、Liu et al. (2024)提出的LVLMs在视觉与文本融合方面取得突破，但在处理长文档时，仍面临证据不足和推理深度有限的问题。多模态检索增强生成（RAG）技术（Lewis et al., 2020）通过外部知识检索改善理解能力，但缺乏动态调节机制，难以应对复杂场景。多代理系统（Yao et al., 2022）引入多子代理协作，但固定流程限制了其灵活性。当前研究亟需一种能动态调节证据范围和推理深度的机制，以实现更全面、准确的长文理解。
核心问题
长文本理解的核心难题在于证据链的完整性与深度不足。传统方法依赖固定流程，难以在证据散布广泛或深层推理需求高时自适应调整，导致证据不足或推理失败。尤其在多模态场景中，视觉信息丰富但结构复杂，模型难以在有限上下文中找到充分证据，影响问答和推理的准确性。这一问题限制了长文理解在实际应用中的效果，亟需一种能动态调节证据范围和推理深度的系统。
核心创新
本研究提出的D2-ScaleAgent具有三大创新：一是引入Verifier驱动的闭环机制，实时监控证据链完整性，自动触发扩展或深度推理；二是采用Evidence Bank作为动态记忆，支持证据的多层次融合与追踪；三是实现双维度扩展策略（Retrieval Scaling与Reasoning Scaling），根据证据缺口自适应调节检索范围和推理深度。这些创新解决了传统方法中证据不足和推理深度受限的问题，为长文理解提供了更具弹性和鲁棒性的框架。
方法详解
- �� 系统以Evidence Bank作为动态记忆，存储当前已获取的证据信息。
- �� 利用属性解构（Attribute Decomposition）将复杂查询拆分为多角度属性。
- �� 通过多轮平行检索（Parallel Retrieval）扩展证据范围，采用rank fusion和自适应剪枝控制上下文。
- �� 引入Verifer驱动的闭环机制，实时评估证据链完整性，检测证据缺口。
- �� 根据Verifer反馈，动态在外向（Retrieval Scaling）和内向（Reasoning Scaling）之间切换。
- �� 在内向推理中，调度多层次子代理（Global Surveyor、Region Locator、Fine-grained Extractor）进行逐步深度推理。
- �� 证据逐步融合到Evidence Bank，确保逻辑闭合，避免推理偏差。
实验设计
采用六个多模态长文档基准（如MMLongBench-Doc、LongDocURL）进行评估，比较多种先进模型（如MDocAgent、MoLoRAG）和VQA等。指标包括问答准确率、检索Recall、Precision、nDCG、MRR。通过消融实验验证Verifier机制和双向扩展策略的贡献。模型参数调优采用标准超参数设置，重点关注证据链完整性和推理深度。实验还分析了计算成本与效率，验证系统在复杂场景中的适应性。
结果分析
D2-ScaleAgent在所有基准上均优于对比模型，平均准确率达63.7%，比MDocAgent（58.3%）提升5.4%。在检索方面，Recall和nDCG指标提升约8%，验证其在多源证据整合中的优势。消融实验显示，去除Verifier机制导致性能下降8%以上，证据验证和动态调度是性能保障。系统在复杂布局和证据分散场景中表现尤为优越，证明其在长文理解中的实用价值。
应用场景
该技术可广泛应用于法律、金融、科研等领域的长文档分析与问答系统，提升信息检索和证据追踪的准确性。支持多模态信息融合，适应多样化数据源。未来还可结合强化学习优化动态调度策略，增强系统的自主性和鲁棒性，为智能文档处理和知识管理提供新工具。
局限与展望
系统在极端复杂或证据极度分散的场景下仍可能出现证据链未闭合的情况，推理效率较高，但计算成本较大，影响实时应用。此外，模型对高质量、多模态数据依赖较强，噪声和偏差可能影响效果。未来需优化推理速度，提升鲁棒性，并扩展到更广泛的应用场景。
通俗解读 非专业人士也能看懂
想象你在一家大型工厂工作，工厂里有许多不同的机器和工段，每个机器都负责不同的任务。有时候，你需要找到某个产品的全部信息，比如它的原料、制造过程和最终用途。传统的方法就像只看一台机器，可能漏掉其他重要信息。D2-ScaleAgent就像一个聪明的工厂管理员，他会不断检查信息是否完整，如果发现缺漏，就会派人去其他工段收集更多资料，或者深入某个区域查明细节。这个管理员还能根据情况调整策略，比如扩大搜索范围或深入分析某个环节，确保最终了解的内容完整又准确。这样一来，无论信息多复杂，工厂都能快速找到全部答案，避免遗漏或误解。这就像我们用智能系统帮忙整理长篇复杂的文件，确保每个细节都被考虑到，最终得出正确的结论。
简单解释 像给14岁少年讲一样
想象你在玩一个超级复杂的拼图游戏，拼图散落在房间的各个角落。你要把所有碎片拼成一幅完整的图片。以前的方法就像只在一个角落找碎片，可能会漏掉重要的部分。现在，有个聪明的朋友会帮你，他会不断检查拼图的完整性，如果发现缺少某个区域，就会派你去别的房间找相关的碎片，或者深入某个角落仔细观察。这个朋友还能根据拼图的情况调整策略，比如扩大搜索范围或仔细观察某个区域，确保拼出来的图片完整又漂亮。这个过程不断循环，直到拼图完全拼好，才算完成。这个方法就像D2-ScaleAgent一样，能智能地在不同层次之间切换，确保每个细节都不遗漏，最终拼出一幅完美的长篇故事或复杂图片。
术语表
Verifier (验证器)
一种用于检测证据链完整性和逻辑一致性的模块，确保推理过程中的证据充分可靠。
在系统中作为关键的决策依据，驱动动态路由和证据验证。
Evidence Bank (证据库)
动态存储已获取证据的记忆结构，支持多层级、多粒度的证据融合与追踪。
作为系统的核心记忆单元，实时更新证据状态，指导推理与检索。
Retrieval Scaling (检索扩展)
根据证据缺口，动态扩大检索范围，平行多角度获取证据。
解决证据广度不足问题，确保信息全面。
Reasoning Scaling (推理深度扩展)
根据证据缺口，调度多层次子代理进行深度推理。
解决证据深度不足，提升推理精细度。
Dual-Dimensional Scaling (双维度扩展)
结合检索扩展和推理深度扩展的策略，实现长文理解的动态调节。
系统的核心创新，突破传统静态流程限制。
开放问题 这项研究留下的未解疑问
- 1 如何进一步降低系统在极端复杂场景下的计算成本，提升实时性。
- 2 多模态信息融合中的噪声鲁棒性和证据筛选机制的优化。
- 3 跨领域多任务适应性和泛化能力的提升。
应用场景
近期应用
法律文档分析
帮助律师快速检索和理解长篇法律文件中的关键证据，提升案件分析效率。
金融报告解读
支持财务分析师从复杂财务报告中提取关键信息，辅助决策制定。
远期愿景
智能知识管理系统
构建企业级长文档智能管理平台，实现自动化信息整理、证据追踪和决策支持。
原文摘要
Multi-modal retrieval-augmented generation (RAG) is a key technique for visually rich long document understanding. Existing multi-modal RAG methods are progressively advancing toward multi-agent systems: they first retrieve relevant pages based on a query, and then iteratively understand information within those pages. However, these methods typically rely on fixed workflows and lack the ability to dynamically scale computation at test time, often leading to insufficient evidence. To address this, we propose D2-ScaleAgent, an agentic framework that introduces a dual-dimensional scaling paradigm for retrieval and reasoning. The core of D2-ScaleAgent is a Verifier agent-driven dynamic routing loop based on the intrinsic difficulty of the query, centered around a continuously updated evidence bank that serves as the agent's dynamic working memory: when retrieval needs to be expanded, the agent routes outward (retrieval scaling), decomposing the query into attributes and performing parallel page retrieval, followed by adaptive pruning to ensure comprehensive evidence coverage. When fine-grained reasoning is required, the agent routes inward (reasoning scaling), dynamically selecting sub-agents with varying granularity and count to extract evidence from pages. Finally, D2-ScaleAgent achieves logical closure over the evidence chain. Extensive experiments demonstrate that D2-ScaleAgent is effective on long and visually rich document benchmarks like MMLongBench-Doc, LongDocURL, etc.