该文综述文档理解领域的多模态预训练模型，包括LayoutLM、LayoutLMv2、LayoutXLM、MarkupLM、LAMPreT、VaLM等，通过联合建模文本、布局与图像信息，在表单理解、信息抽取、文档分类等任务上超越强基线，并展望多模态学习挑战。