核心发现
方法论
AWM-GRPO方法结合了终端工作记忆的可回答性信号，将其融入GRPO奖励中。通过在MMLONGBENCH-DOC和LONGDOCURL数据集上的实验，AWM-GRPO在确保最终答案优先的同时，赋予了终端工作记忆更高的优势。
关键结果
- AWM-GRPO在MMLONGBENCH-DOC和LONGDOCURL数据集上分别比RAG基线提高了8.1和11.9个百分点。
- 在提供金标准证据页面的情况下，42.5%的正确答案无法仅从终端工作记忆中回答。
- AWM-GRPO将记忆缺失正确率降低了2.7个百分点。
研究意义
该研究通过引入可回答工作记忆（AWM），填补了长文档VQA中记忆质量评估的空白。AWM-GRPO方法不仅提高了最终答案的准确性，还增强了终端工作记忆的可回答性，推动了VQA领域的进步。
技术贡献
AWM-GRPO方法在现有的GRPO框架中引入了新的奖励信号，强调终端工作记忆的质量。这种方法不仅关注最终答案的正确性，还考虑了记忆的可回答性，提供了一种新的优化方向。
新颖性
AWM-GRPO首次将终端工作记忆的可回答性作为奖励信号融入GRPO中，区别于传统方法仅关注最终答案的正确性。
局限性
- AWM-GRPO在处理复杂表格和布局问题时仍存在挑战，可能需要进一步优化。
- 该方法在某些跨源设置中表现不佳。
未来方向
未来研究可以探索如何进一步优化AWM-GRPO在结构化证据保存方面的表现，并扩展其在其他VQA任务中的应用。
AI 总览摘要
长文档视觉问答（VQA）系统面临着从大量页面中提取和整合信息的挑战。传统方法主要关注最终答案的正确性，而忽视了工作记忆的质量，这可能导致即使答案正确，记忆仍不支持回答。AWM-GRPO方法通过将终端工作记忆的可回答性信号融入GRPO奖励中，解决了这一问题。
AWM-GRPO在MMLONGBENCH-DOC和LONGDOCURL数据集上的实验结果表明，其在提高最终答案准确性的同时，也增强了终端工作记忆的可回答性。这一方法在确保最终答案优先的同时，赋予了终端工作记忆更高的优势。
尽管AWM-GRPO在多个数据集上表现出色，但在处理复杂表格和布局问题时仍存在挑战。未来研究可以探索如何进一步优化其在结构化证据保存方面的表现，并扩展其在其他VQA任务中的应用。
深度分析
研究背景
长文档视觉问答（VQA）系统需要从大量页面中提取信息并整合成答案。现有方法主要关注最终答案的正确性，而忽视了工作记忆的质量，这可能导致即使答案正确，记忆仍不支持回答。
核心问题
现有VQA系统在评估中主要关注最终答案的正确性，而忽视了工作记忆的质量。这可能导致即使答案正确，记忆仍不支持回答。
核心创新
AWM-GRPO方法首次将终端工作记忆的可回答性作为奖励信号融入GRPO中，区别于传统方法仅关注最终答案的正确性。
方法详解
- �� AWM-GRPO结合终端工作记忆的可回答性信号
- �� 在GRPO中引入新的奖励信号
- �� 强调终端工作记忆的质量
- �� 在MMLONGBENCH-DOC和LONGDOCURL数据集上进行实验
实验设计
实验在MMLONGBENCH-DOC和LONGDOCURL数据集上进行，使用RAG基线进行比较。关键指标包括最终答案准确性和终端工作记忆的可回答性。
结果分析
AWM-GRPO在MMLONGBENCH-DOC和LONGDOCURL数据集上分别比RAG基线提高了8.1和11.9个百分点，并将记忆缺失正确率降低了2.7个百分点。
应用场景
AWM-GRPO方法可用于提高长文档VQA系统的准确性，特别是在需要从大量页面中提取和整合信息的场景中。
局限与展望
AWM-GRPO在处理复杂表格和布局问题时仍存在挑战，可能需要进一步优化。
通俗解读 非专业人士也能看懂
想象你在一个大型图书馆里寻找一本书中的特定信息。传统方法就像在书架上翻找，找到后直接回答问题。但如果你离开书架，可能会忘记细节。AWM-GRPO方法就像在你找到信息后，记下关键点，即使离开书架也能回答问题。这种方法确保了即使没有原始书籍，你也能凭记忆回答问题。
简单解释 像给14岁少年讲一样
想象你在打游戏，需要从一个大地图中找到线索。传统方法就像在地图上找到线索后直接回答问题，但如果你离开地图，可能会忘记细节。AWM-GRPO方法就像在找到线索后，记下关键点，即使离开地图也能回答问题。这种方法确保了即使没有原始地图，你也能凭记忆回答问题。
术语表
AWM (可回答工作记忆)
一种用于长文档VQA系统的记忆机制，确保终端工作记忆中包含足够的信息以支持回答问题。
在AWM-GRPO方法中，AWM被用作奖励信号的一部分。
GRPO (群体相对优势优化)
一种强化学习方法，通过对比群体内的相对优势来更新策略。
AWM-GRPO方法中使用GRPO来优化终端工作记忆的质量。
RAG (检索-生成)
一种结合检索和生成的模型架构，用于从大规模文档中提取信息。
AWM-GRPO在实验中与RAG基线进行比较。
MMLONGBENCH-DOC
一个用于评估长文档VQA系统的数据集，包含多页文档和复杂问题。
AWM-GRPO在该数据集上进行实验以验证其有效性。
终端工作记忆
在VQA系统中，记录从页面中提取的关键信息的记忆模块。
AWM-GRPO方法强调终端工作记忆的可回答性。
开放问题 这项研究留下的未解疑问
- 1 如何进一步优化AWM-GRPO在复杂表格和布局问题上的表现？
- 2 AWM-GRPO在其他VQA任务中的适用性如何？
应用场景
近期应用
长文档信息提取
AWM-GRPO可用于提高从长文档中提取和整合信息的准确性。
远期愿景
智能文档分析
AWM-GRPO可能推动智能文档分析系统的发展，帮助用户快速获取关键信息。
原文摘要
Long-document visual question answering increasingly relies on VLM agents that retrieve candidate pages, inspect page images, write findings to working memory, and synthesize answers. Working memory should carry answer-supporting evidence across page inspections for later grounded answering, yet existing evaluation mainly checks final-answer correctness and evidence-page access. This creates a memory-quality blind spot: an agent may reach the right page and answer correctly while leaving behind memory too generic or incomplete to support answering once page context is removed. We introduce \emph{memory-only answerability}, a diagnostic that asks whether a reader can answer from the question and terminal working memory alone. Building on this diagnostic, \emph{Answerable Working Memory} (AWM) treats terminal working memory as an answerable evidence artifact, and AWM-GRPO incorporates this signal into the GRPO reward while preserving final-answer priority. Under GRPO, this reward assigns higher advantages to answer-correct trajectories whose terminal working memory remains answerable. On \textsc{MMLongBench-Doc}, even when gold evidence pages are provided, 42.5\% of correct answers still cannot be answered from terminal working memory alone. AWM-GRPO improves final-answer accuracy over the RAG baseline by 8.1 and 11.9 points on \textsc{MMLongBench-Doc} and \textsc{LongDocURL} and reduces the memory-missing-correct rate by 2.7 points over answer-only GRPO.