现实中的文档处理系统往往依赖固定的模式，但关键字段常常没有直接的视觉对应，需要通过多跳推导才能得到，例如对子类目求和或对视觉标记进行推理。现有方法只能处理显式文本片段或单步隐式查询，在多跳视觉推理上表现不佳：模型要么检索到错误的视觉证据，要么即使检索正确也直接跳过中间推导步骤。
为了解决这一问题，我们提出了 DocMIDE——一种微调框架，训练紧凑的视觉语言模型在生成答案前显式检索视觉证据。DocMIDE 将生成过程约束为“计划‑检索‑推导”三阶段，并使用基于四要素的规则奖励（输出格式、检索到的证据块、每一步中间推导、最终答案）在 Group Relative Policy Optimization 下进行优化。
在 4,151 对隐式抽取基准上，DocMIDE 将 Qwen3.5-4B 的准确率从 70.8% 提升至 95.9%，仅使用少量标注示例，并且能够迁移到另一种骨干网络。仅靠监督示例无法弥合差距，关键在于对中间步骤进行奖励。
点评