DocMIDE 獎勵每一個推導步驟，將視覺文件擷取準確率從 71% 提升至 96%

真實世界的文件處理依賴僵化的預先定義結構描述，然而關鍵的目標欄位往往在頁面上沒有直接對應的視覺內容——擷取這些欄位需要多跳推導，例如彙總子類別，或對視覺標記進行推理。即使經過標準微調，模型仍會檢索到錯誤的視覺證據，或者正確檢索到證據後卻跳過中間推導步驟。

DocMIDE 訓練精簡的視覺語言模型，在推導答案之前先明確檢索視覺證據。生成過程被限制為「規劃—檢索—推導」結構，並以群組相對策略優化（Group Relative Policy Optimization）進行最佳化，其獎勵採用四項基於規則的元件，涵蓋輸出格式、檢索到的證據區塊、每一個中間步驟，以及對照已驗證參考軌跡的最終數值。

在一個包含 4,151 對樣本的隱含擷取基準上，DocMIDE 僅用少量標註範例，就將 Qwen3.5-4B 的準確率從 70.8% 提升至 95.9%，並可移轉至第二種主幹架構。單靠監督式示範在任何受測預算下都無法縮小差距；真正奏效的是獎勵中間步驟。

獎勵中間推導步驟，而不只是最終答案

隱含欄位需要在頁面上串接證據，因此失敗集中於被跳過或錯誤的中間步驟。

強制採用「規劃—檢索—推導」結構，使每一跳都明確且可檢查。

基於規則、對照已驗證參考軌跡的獎勵，避免了對每一步進行人工評分的成本。

帶來 25 點提升的是步驟層級的獎勵，而非額外的示範。

當任務隱藏多跳推理時，應以基於規則的獎勵來監督各個步驟；單靠示範只能教會答案，無法教會推導路徑。

該論文報告，Qwen3.5-4B 的準確率從 70.8% 提升至 95.9%，可移轉至第二種主幹架構，並得出負面結果：在任何受測預算下，監督式示範都無法匹敵獎勵中間步驟的做法。