本研究提出了一种自适应标记语言生成方法，旨在解决视觉文档理解中视觉感知与文本理解的整合问题。该模型在复杂文档布局下表现优异，显著提升了视觉场景的推理和理解能力。

本研究提出了K2Q数据集，旨在提升视觉丰富文档理解中的数据提取任务。通过比较七种生成模型，发现多样化和复杂的问题能显著提高模型性能，推动生成模型训练数据质量的研究。

本文介绍了一种新的测试时间自适应方法TT-DNA，利用跨模态自监督学习和伪标记提升视觉文档理解效果。研究探讨了测试时间适应的不同类型及其应用，通过建模视觉特征的高斯分布提高预测性能，并提出了在线测试时间自适应方法及其局限性解决方案，展示了在真实场景中的应用效果。

本文介绍了多种视觉文档理解（VDU）模型，如“Donut”和“DONUT-hole”，它们在文档图像处理方面表现优异。研究还探讨了生成型AI在绘图中的应用，以及利用语言模型进行信息提取和文本摘要的潜力，特别是在科学文献和数据处理领域。

该文综述视觉文档理解的多模态预训练进展，涵盖FormNetV2、Bi-VLDoc、DocFormerv2、StrucTexT等模型，采用图对比学习、双向视觉语言监督、多粒度Transformer等策略融合文本、视觉与布局信息，在FUNSD、CORD、SROIE等基准上取得最优性能，并应用于信息抽取、表格理解与多模态摘要。