# روش Loud and Clear شواهد تصویری را در پاسخ‌گویی به اسناد تقویت می‌کند

> مقاله‌ای در arXiv گزارش می‌دهد که ارائه تصاویر صفحه با وضوح بالاتر و متنِ استخراج‌شده از بخش‌های مرتبط با پرسش، پاسخ‌های هوش مصنوعی را در سه معیار سنجشِ پرسش‌وپاسخ درباره اسناد بهبود داده است.

Oossa · 2026-10-16 · https://oossa.com/fa/loud-and-clear-boosts-visual-evidence-in-document-rag

پژوهشگران روش Loud and Clear (LoC) را معرفی کرده‌اند؛ روشی برای کمک به سیستم‌های هوش مصنوعی تا از شواهد موجود در صفحاتی که برای پاسخ‌گویی به پرسش‌های مربوط به اسناد بازیابی شده‌اند، بهتر استفاده کنند. این روش تصاویر صفحات را با وضوح بالاتر، همراه با متنِ بخش‌های مرتبط با پرسش، به کار می‌گیرد و به آموزش اضافی یا حاشیه‌نویسی‌های مرجع نیاز ندارد.

بر اساس آزمایش‌های گزارش‌شده در مقاله، LoC در سه معیار سنجش از هشت روش پیشین بهتر عمل کرد و در SciEGQA با اختلاف 8.88 امتیاز از ColQwen3 پیش افتاد. پژوهشگران همچنین دریافتند که افزایش بودجه توکن‌های تصویری، حتی وقتی صفحات درست از قبل بازیابی شده بودند، دقت را بهبود می‌دهد.

## حقایق

- مقاله از بهبود LoC نسبت به ColQwen3 به میزان 8.88 امتیاز در SciEGQA، 3.09 امتیاز در ViDoRe-v3 و 4.22 امتیاز در MMLongBench-Doc خبر می‌دهد.
- تاریخ درج مقاله در arXiv، October 16, 2026 است.

## چرا مهم است

برای تیم‌هایی که سامانه‌های پاسخ‌گویی به پرسش‌های مربوط به اسناد می‌سازند، نتایج نشان می‌دهد که بهتر نمایش‌دادن صفحات بازیابی‌شده به مدل می‌تواند مفید باشد، حتی اگر سامانه از قبل صفحات درست را پیدا کرده باشد؛ بااین‌حال، مقاله مشخص نمی‌کند LoC در کاربردهای واقعی تا چه اندازه خوب عمل می‌کند.

## منابع و ارجاع‌ها

1. [Loud and Clear: Making Visual Evidence Count in Multimodal Document RAG](https://arxiv.org/abs/2610.21318) – arXiv cs.CV, 2026-10-16

آخرین به‌روزرسانی: 2026-10-16