综述地图：先看清领域全景¶

本页整理多模态文档智能方向的代表性综述。它的用途不是增加阅读数量，而是帮助你确定任务边界、关键词和一个值得继续追问的问题。

本页最小任务

只选一篇与当前问题最接近的综述，画出 3 个研究方向、记录 5 个检索词，并写下 1 个可以被实验验证的问题。

阅读分层与模块学习卡¶

标签	预计时长	阅读范围	最小完成动作
必读	20–30 分钟	本页快速定位，再从 VLM、Document AI 或 Benchmark 中只选一篇综述的 Why Read	写出 3 个方向、5 个检索词和 1 个问题
选读	1–2 小时	阅读所选综述的摘要、任务分类、方法图和限制	完成一页“领域地图”，标出当前项目的位置
深挖	半天至 1 周	回到综述原文及其引用的 2–3 篇代表论文	形成带原始来源的检索清单和最小研究假设

本页学习卡

学什么：领域边界、代表方法、常用检索词与开放问题。
官方来源：综述原文、作者主页及论文引用的原始工作。
做什么：只选择一条与当前问题最接近的综述路线。
提交什么：领域地图、检索词和一个可验证问题。
如何自查：能说明当前项目属于哪个任务、使用什么证据、仍缺什么验证。

本页快速定位¶

想了解的主题	直接进入	建议停在这里
VLM 的模型、训练与评测全景	Vision-Language Models	能列出模型的 3 个核心组件
文档智能的任务边界	Document AI	能区分 OCR、版面与文档理解
文档解析与结构化输出	Docling & Structured Documents	能说明结构化输出比纯文本多保留什么
评测方法与挑战	Benchmark Surveys	能指出一个指标可能遗漏的能力
继续检索论文	Recommended Resource Collections	记录 5 个可复用检索词
安排阅读顺序	Recommended Reading Plan	选定下一篇精读论文

建议路线¶

Foundation Models
        │
        ▼
Vision-Language Models
        │
        ▼
Document AI
        │
        ▼
Document Parsing
        │
        ▼
DocTags / Docling
        │
        ▼
Benchmarks
        │
        ▼
AI Agent

阅读策略¶

Priority	Description
⭐⭐⭐⭐⭐	必读（建议精读）
⭐⭐⭐⭐	建议阅读
⭐⭐⭐	作为扩展阅读

Part 1. Vision-Language Models¶

1. A Comprehensive Survey of Vision-Language Models¶

Priority

⭐⭐⭐⭐⭐

Year

2026

Journal

Information Fusion

Author Manuscript¶

https://minhdl93.github.io/public/papers/if_25.pdf

Why Read¶

目前最系统的 VLM 综述之一，覆盖：

Vision Encoder
LLM Backbone
Instruction Tuning
Prompt Engineering
Adapter / LoRA
Benchmark
Efficient VLM

非常适合作为实验室学习 VLM 的第一篇综述。

2. Benchmark Evaluations, Applications, and Challenges of Large Vision Language Models¶

Priority

⭐⭐⭐⭐⭐

Year

2025

Paper¶

https://arxiv.org/abs/2501.02189

GitHub¶

https://github.com/zli12321/Vision-Language-Models-Overview

Why Read¶

重点介绍：

主流 VLM
Benchmark
Evaluation
Applications
Challenges

推荐作为 VLM Benchmark 的参考文献。

3. A Survey on Efficient Vision-Language Models¶

Priority

⭐⭐⭐⭐

Year

2025

Paper¶

https://arxiv.org/abs/2504.09724

GitHub¶

https://github.com/MPSC-UMBC/Efficient-Vision-Language-Models-A-Survey

Why Read¶

重点关注：

Mobile VLM
Edge AI
Efficient Inference
Parameter-efficient Fine-tuning

适合关注轻量化 VLM 的学生。

Part 2. Document AI¶

4. Document Intelligence in the Era of Large Language Models¶

Priority

⭐⭐⭐⭐⭐

Year

2025

Paper¶

https://arxiv.org/abs/2510.13366

Why Read¶

近年来 Document AI 最值得阅读的综述之一。

重点讨论：

LLM for Document AI
Multimodal Document Understanding
Document Parsing
Retrieval-Augmented Document AI
Agent-based Document Intelligence

非常契合未来实验室研究方向。

5. Deep Learning based Visually Rich Document Content Understanding¶

Priority

⭐⭐⭐⭐⭐

Year

2026

Journal

Artificial Intelligence Review

Paper¶

https://link.springer.com/article/10.1007/s10462-025-11477-3

Why Read¶

系统总结：

Layout Analysis
OCR
KIE
Table Recognition
Document Parsing
Vision-Language Methods

是目前最新的 VRD（Visually Rich Documents）综述之一。

Part 3. Docling & Structured Documents¶

6. Docling: An Efficient Open-Source Toolkit for AI-driven Document Conversion¶

Priority

⭐⭐⭐⭐⭐

Year

2025

Why Read¶

Docling 是当前最重要的开源文档转换框架。

建议重点理解：

Unified Document Representation
DoclingDocument
DocTags
Modular Pipeline
RAG Integration

7. SmolDocling¶

Priority

⭐⭐⭐⭐⭐

Year

2025

Paper¶

https://arxiv.org/abs/2503.11576

Official Papers¶

https://docling.ai/papers/

Why Read¶

SmolDocling 首次提出：

End-to-End Document Conversion
DocTags Generation
Ultra-compact Document VLM

代表新一代 Document Foundation Model。

Part 4. Benchmark Surveys¶

8. OCRBench v2¶

Priority

⭐⭐⭐⭐⭐

Paper¶

https://arxiv.org/abs/2501.00321

GitHub¶

https://github.com/Yuliang-Liu/MultimodalOCR

Why Read¶

了解：

OCR Evaluation
Visual Grounding
OCR Reasoning
LMM Evaluation

是当前 OCR Benchmark 的代表工作。

9. MMDocBench¶

Priority

⭐⭐⭐⭐⭐

Paper¶

https://arxiv.org/abs/2410.21311

Project¶

https://mmdocbench.github.io/

Why Read¶

重点理解：

OCR-free Evaluation
Fine-grained Grounding
Multi-task Evaluation
Vision-Language Benchmark

适合研究 Qwen3-VL、InternVL 等模型。

Part 5. Recommended Resource Collections¶

Awesome Lists¶

Resource	URL
Awesome Vision-Language Models	https://github.com/zli12321/Vision-Language-Models-Overview
Docling Papers	https://docling.ai/papers/
AMiner / 智谱 AI	https://www.aminer.cn/
Hugging Face Papers	https://huggingface.co/papers

Conference Proceedings¶

Conference	URL
AMiner / 智谱 AI	https://www.aminer.cn/
ECCV Proceedings	https://eccv.ecva.net
ACL Anthology	https://aclanthology.org
NeurIPS Proceedings	https://papers.nips.cc
ICML Proceedings	https://proceedings.mlr.press

Laboratory Recommended Reading Order¶

建议实验室统一采用如下阅读路线：

Survey Papers
      │
      ▼
Foundation Models
      │
      ▼
Vision-Language Models
      │
      ▼
Document AI
      │
      ▼
Docling
      │
      ▼
DocTags
      │
      ▼
Benchmarks
      │
      ▼
Research Projects

Learning Objectives¶

完成本章节后，应能够：

系统理解 Vision-Language Model 的发展脉络；
掌握 Document AI 的主要研究方向与关键挑战；
理解 Docling、DocTags 等新一代结构化文档技术；
熟悉主流 Benchmark 与评价体系；
能够快速定位高质量论文，并独立阅读 CVPR、ICCV、ECCV、ACL、EMNLP、ICML、NeurIPS 等顶级会议的最新研究成果。

返回上一级下一章

Week	Reading
Week 1	VLM Survey（Paper 1）
Week 2	Efficient VLM Survey（Paper 3）
Week 3	Document AI Survey（Paper 4）
Week 4	VRD Survey（Paper 5）
Week 5	Docling（Paper 6）
Week 6	SmolDocling（Paper 7）
Week 7	OCRBench v2（Paper 8）
Week 8	MMDocBench（Paper 9）

综述地图：先看清领域全景¶

阅读分层与模块学习卡¶

本页快速定位¶

建议路线¶

阅读策略¶

Part 1. Vision-Language Models¶

1. A Comprehensive Survey of Vision-Language Models¶

Author Manuscript¶

Why Read¶

2. Benchmark Evaluations, Applications, and Challenges of Large Vision Language Models¶

Paper¶

GitHub¶

Why Read¶

3. A Survey on Efficient Vision-Language Models¶

Paper¶

GitHub¶

Why Read¶

Part 2. Document AI¶

4. Document Intelligence in the Era of Large Language Models¶

Paper¶

Why Read¶

5. Deep Learning based Visually Rich Document Content Understanding¶

Paper¶

Why Read¶

Part 3. Docling & Structured Documents¶

6. Docling: An Efficient Open-Source Toolkit for AI-driven Document Conversion¶

Paper¶

IBM Research¶

Official Documentation¶

GitHub¶

Why Read¶

7. SmolDocling¶

Paper¶

Official Papers¶

Why Read¶

Part 4. Benchmark Surveys¶

8. OCRBench v2¶

Paper¶

GitHub¶

Why Read¶

9. MMDocBench¶

Paper¶

Project¶

Why Read¶

Part 5. Recommended Resource Collections¶

Awesome Lists¶

Conference Proceedings¶

Recommended Reading Plan¶

Laboratory Recommended Reading Order¶

Learning Objectives¶