NeurIPS 2026 | 不止读懂文档：DocAtlas与XL-DocBench，让长文档研究可积累、可检验

（本文阅读时间：18 分钟） 阅读技术报告时，我们经常会发现，一份报告的结论可能写在摘要里，成立条件藏在方法章节，关键数字位于表格，限制则出现在附录。所以找到一句相关的话，并不等于研究清楚一个问题。如 果每次追问都要重新翻找， 那 阅读 成果 便难以积累；如果 评测 只看最终答案 是否正确 ，那么将很难 判断 系统究竟读到了什么、遗漏了什么。 近期， 微软亚洲研究院 推出 的 DocAtlas 与 XL-DocBench ， 分别从研究过程与能力评测两个方向探索了长文档理解： DocAtlas 让智能体能够在搜索、阅读、记录和回顾之间持续推进研究； XL-DocBench 则通过超长专业文档、人工证据标注以及细粒度任务，系统检验模型能否找到所需信息，并据此进行可靠推理。两项工作使长文档理解成为了一个有依据、可积累、可核验的研究过程。 相关论文已被NeurIPS 2026接收。 相关信息已整理至文末，欢迎点击了解更多技术详情。 DocAtlas：让每 一 次阅读， 都 为 后续研究 留下线索 一份 PDF 的章节、页码范围和摘要可以形成一棵可导航的文档树。多份文档也可以组织在同一个集合中，同时保留各自的树结构和来源身份。文档树能够帮助智能体判断阅读方向，但章节摘要和搜索结果并不会自动成为最终证据。 为了让这些线索能够持续参与后续研究， DocAtlas 将长文档理解建模为智能体与可积累研究状态 之间的持续 交互，而不只是一次性检索后直接生成答案。 - Search 找方向 ， Read 查原文。 在DocAtlas中， 主模型 会首先定位可能相关的区域，再根据需要打开文本、页面图像或图表。如果现有材料不足以支持判断，那么智能体可以沿着新线索继续探索，不会再机械地消耗固定数量的检索片段。 - Note 保存发现，Review 召回 记录。 笔记不只记录一句结论，还可以保留信息来源、已知条件和尚未解决的问题。DocAtlas的页级发现可以为对应的文档树节点补充研究注释，使后续搜索在能够利用新线索的同时，保持原始 PDF 和原有章节摘要不变。 图 1：DocAtlas 概念图。四种工具按需使用，并非每个问题都必须经过一遍固定流程；研究记录 也 不等 同 于已验证 的 证据。 例如，读者可以先了解一篇论文的 主要 贡献，再核对支撑结论的实验设置， 并 把限制条件保存下来。下一次追问时，Review 可以 召回与当前问题相关的记录， 无需 重新载入全部历史材料。 但涉及 重要判断 时， 仍需回到原文 进行 核对。 这与“把聊天记录再总结一遍”不同。DocAtlas积累的是带 有 来源、能继续追踪的研究发现 ，而非没有出处的压缩文本 。这里的工作记忆也不意味着自动训练模型，或形成个人偏好记忆。 DocAtlas 的 关键并不只是增加几种工具，更在于把“下一步读哪里”交给一个能感知已有研究状态的过程。 局部问题可能只需阅读少量页面，但当面对跨章节关系时，智能体则可以继续寻找并补齐缺失条件。由于新发现可能改变后续的探索方向，所以已经保存的线索也仍需接受原文核验，而不会因为进入笔记就自动成为正确结论。 对研究者而言，这意味着“已经知道什么”与“ 仍然 不知道什么” 都可以被保 留下来。例如， 一条记录可以同时包含某项结论、该结论适用的实验设置，以及尚未检查的例外。之后继续追问时，研究不必只从上一条回答出发，而能够沿着这些有出处的线索进一步推进。 从论文 中的 方法， 走向 可以 实际 操作的研究工具 除了论文， DocAtlas 还提供了开源 TUI ，其 Web 版本则提供了本机研究预览。两种入口都可以使用 DocAtlas 论文进行演示。 在终端中选择 PDF 后，用户即可开始提问。工作台会展示真实的工具活动，包括寻找相关章节、读取材料和组织回答。用户可以继续追问，也可以检查会话过程中已经积累的研究发现。 图 2：真实 TUI 演示 Web 界面能够把模型回答与原文核验放在同一个工作流中。用户可以上传论文并提出问题，点击引用打开原始 PDF，也可以选中段落，围绕明确的上下文继续追问。遇到值得保留的内容时，还可以单独保存一条来源清晰的笔记。 图 3：上图为原文核对；下图是保存研究记录。TUI 与 Web 是独立会话；Web 为本机研究预览，暂未公开部署。 文档地图中的新增或修订提示 都 属于研究层，不会改写原始目录。保存笔记也不必触发一次新的模型回答。 需要注意的是， 论文中的 Review 笔记召回，与 Web 中 的人工审阅工作区 并不是 同 一种 能力，不应混为一谈。 这种界面上的可见性同样重要。读者可以区分模型生成的表述与 PDF 中实际出现的内容，核对引用是否支持当前判断，再决定哪些发现值得保留。 因此， 研究工具的价值不只是省去几次翻页，更在于让 阅读、 核对与记录成为连续 研究过程 中的 不同环节 。 XL-DocBench ：比 “1,519 道题 ” 更重要的是题目如何构成 一个顺利完成的演示， 并 不足以说明系统能处理各种 类型的 长文档。 现阶段 已有 的 基准各有侧重：单页任务 主要 考察视觉与表格理解；多页任务增加跨页查找；长上下文任务扩展 素材 长度 ； 领域基准 则 引入专业知识。新的问题是 ，一个基准能否同时覆盖超长专业材料、跨页与跨文档证据、多模态内容，以及可以核验的推理规则？ XL-DocBench 关注的正是这种综合覆盖。它不仅能够衡量答案是否正确，还可以通过证据标注和任务分类，为分析系统的失败原因提供依据。 XL-DocBench 包含 1,519 道题、 331 份文档、 6 个领域和 12 类推理 。六个领域覆盖金融商业、法律监管、医疗临床、技术工程、科学学术及叙事文学，并非只围绕某一种报告或单一类型文档出题。 图 4： XL-DocBench 在六个领域的问题分布 长的不只是文档，证据之间也有距离 在XL-DocBench中， 原 始 文档合计 有 98,342 页，平均 每份文档 297.1 页，中位数 211 页，最长 的 单份文档 有 2,062 页。 对于由多份文档组成的系列，一道题的完整上下文可能横跨多个 PDF ，最长达到 2,303 页。需要特别区分的是，单份文档长度和一道题所涉及的上下文长度，是两个不同的统计对象。 图 5：XL-DocBench 的上下文长度与证据跨度分布。上图展示题目涉及的上下文长度，下图展示人工标注的证据跨度。 经研究员调研显示 ，人工 标注的 证据页数平均为 2.30 页、最多 24 页；证据跨度中位数为 7 页，P95 为 255 页，最大达到 1,002 页。 一道题最终需要的证据页可能并不多，但这些页面或许相隔很远。因此， “ 最终引用了几页 ” 不能代替 “ 定位这些页面有多难 ” ，证据跨度也不等于模型实际阅读的页数。 跨页、多模态和跨文档，可 能同时出现 在XL-DocBench的全部问题中： 1,103 道题需要多页证据，占 72.6% ；556 道涉及表格、图表或图像，占 36.6%；165 道属于跨文档任务，占 10.9%。另有 218 道采用 None 答案格式， 用于 检验 系统在 支持不足时能否避