DocSkill：面向多语言多跳文档问答的技能编排智能体框架
原文标题：DocSkill: Skill-Integrated Agentic Reasoning for Multilingual Multi-Hop Document Question Answering
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 DocSkill 智能体框架，用学习到的技能编排策略自适应选择、重访或跳过技能，并以有界蒙特卡洛树搜索离线生成监督数据用于 SFT 与 DPO。团队同时发布含 10 种语言、6 万问答对的 MMHop-DocBench 数据集。基于 Qwen3-VL-8B 的 DocSkill 在该基准上达 41.0 准确率与 49.2 F1，领先最强基线 5.5 与 6.3 分。
深读 · 结论先行AI 生成展开看要点与影响 ↓
DocSkill用学习式技能编排做多语言多跳文档问答，Qwen3-VL-8B上准确率41.0、领先基线5.5分。
- •策略根据演进的证据状态选择、重访或跳过技能
- •用有界蒙特卡洛树搜索离线生成轨迹，供SFT演示与DPO偏好对使用
- •发布MMHop-DocBench：10种语言、8类文档领域、6万问答对，含页级与元素级证据标注
- •基于Qwen3-VL-8B达41.0准确率与49.2 F1，超最强基线5.5与6.3分
为什么重要：同时给出方法、训练监督与多语言多跳基准，为文档问答智能体的技能编排提供可复现的评测底座。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。