TAT-DQA是一个包含16558个财务报告问答对的新数据集。作者提出了一种名为MHST的文档VQA模型，可以智能地处理多模态信息，并使用离散推理进行训练。结果显示，该模型优于基线方法，但仍落后于专家人类。作者希望通过提供新的数据集促进对融合视觉和语言的文档理解的研究。