本研究提出了一种自适应多方面检索增强（Amar）框架，旨在解决大型语言模型在复杂知识推理中的幻觉和过时知识问题。该方法通过有效检索实体、关系和子图，显著提高了推理准确性，达到了最新研究水平。

本文介绍了一种收集海量、嘈杂、弱标注数据的方法，以弥补 VDER 设置中训练数据不足的缺陷，并提出了名为 DocuNet 的数据集。借助 DocuNet，提出了一种轻量级多模态体系结构 UniFormer，从文本、布局和图像裁剪中学习统一的表征。实验结果表明，将这个大规模数据集与 UniFormer 相结合可以在传统实体检索和少样本学习设置中取得改进。