Buchumschlag

AgenticOCR: Parsing Only What You Need for Efficient Retrieval-Augmented Generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Zhengren, Ma, Dongsheng, Zhong, Huaping, Li, Jiayu, Zhang, Wentao, Wang, Bin, He, Conghui
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Document Parsing Unveiled: Techniques, Challenges, and Prospects for Structured Information Extraction
von: Zhang, Qintong, et al.
Veröffentlicht: (2024)

CiteVQA: Benchmarking Evidence Attribution for Trustworthy Document Intelligence
von: Ma, Dongsheng, et al.
Veröffentlicht: (2026)

RARE: Retrieval-Augmented Reasoning Modeling
von: Wang, Zhengren, et al.
Veröffentlicht: (2025)

Not All Documents Are What You Need for Extracting Instruction Tuning Data
von: Zhang, Chi, et al.
Veröffentlicht: (2025)

OCR Hinders RAG: Evaluating the Cascading Impact of OCR on Retrieval-Augmented Generation
von: Zhang, Junyuan, et al.
Veröffentlicht: (2024)

HopRAG: Multi-Hop Reasoning for Logic-Aware Retrieval-Augmented Generation
von: Liu, Hao, et al.
Veröffentlicht: (2025)

CodeFlowBench: A Multi-turn, Iterative Benchmark for Complex Code Generation
von: Wang, Sizhe, et al.
Veröffentlicht: (2025)

Evaluating Quality of Answers for Retrieval-Augmented Generation: A Strong LLM Is All You Need
von: Wang, Yang, et al.
Veröffentlicht: (2024)

Only Send What You Need: Learning to Communicate Efficiently in Federated Multilingual Machine Translation
von: Chu, Yun-Wei, et al.
Veröffentlicht: (2024)

Retrieval-Augmented Semantic Parsing: Improving Generalization with Lexical Knowledge
von: Zhang, Xiao, et al.
Veröffentlicht: (2024)

Not All Tokens Are What You Need In Thinking
von: Yuan, Hang, et al.
Veröffentlicht: (2025)

Only Say What You Know: Calibration-Aware Generation for Long-Form Factuality
von: Luo, Wen, et al.
Veröffentlicht: (2026)

LLMs Know What They Need: Leveraging a Missing Information Guided Framework to Empower Retrieval-Augmented Generation
von: Wang, Keheng, et al.
Veröffentlicht: (2024)

A-RAG: Scaling Agentic Retrieval-Augmented Generation via Hierarchical Retrieval Interfaces
von: Du, Mingxuan, et al.
Veröffentlicht: (2026)

THIVLVC: Retrieval Augmented Dependency Parsing for Latin
von: Pommeret, Luc, et al.
Veröffentlicht: (2026)

CRAB: A Benchmark for Evaluating Curation of Retrieval-Augmented LLMs in Biomedicine
von: Zhong, Hanmeng, et al.
Veröffentlicht: (2025)

Text2VectorSQL: Towards a Unified Interface for Vector Search and SQL Queries
von: Wang, Zhengren, et al.
Veröffentlicht: (2025)

KeyVideoLLM: Towards Large-scale Video Keyframe Selection
von: Liang, Hao, et al.
Veröffentlicht: (2024)

RECON: Reasoning with Condensation for Efficient Retrieval-Augmented Generation
von: Xu, Zhichao, et al.
Veröffentlicht: (2025)

FastOCR: Dynamic Visual Fixation via KV Cache Pruning for Efficient Document Parsing
von: Tang, Zihan, et al.
Veröffentlicht: (2026)

You Don't Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures
von: Chen, Shengyuan, et al.
Veröffentlicht: (2025)

Understand What LLM Needs: Dual Preference Alignment for Retrieval-Augmented Generation
von: Dong, Guanting, et al.
Veröffentlicht: (2024)

Think Only When You Need with Large Hybrid-Reasoning Models
von: Jiang, Lingjie, et al.
Veröffentlicht: (2025)

SynthVLM: Towards High-Quality and Efficient Synthesis of Image-Caption Datasets for Vision-Language Models
von: Liu, Zheng, et al.
Veröffentlicht: (2024)

HiPRAG: Hierarchical Process Rewards for Efficient Agentic Retrieval Augmented Generation
von: Wu, Peilin, et al.
Veröffentlicht: (2025)

Do You Know What You Are Talking About? Characterizing Query-Knowledge Relevance For Reliable Retrieval Augmented Generation
von: Li, Zhuohang, et al.
Veröffentlicht: (2024)

Similarity is Not All You Need: Endowing Retrieval Augmented Generation with Multi Layered Thoughts
von: Gan, Chunjing, et al.
Veröffentlicht: (2024)

Ask Only When Needed: Proactive Retrieval from Memory and Skills for Experience-Driven Lifelong Agents
von: Cai, Yuxuan, et al.
Veröffentlicht: (2026)

AgenticRAGTracer: A Hop-Aware Benchmark for Diagnosing Multi-Step Retrieval Reasoning in Agentic RAG
von: You, Qijie, et al.
Veröffentlicht: (2026)

Reason Only When Needed: Efficient Generative Reward Modeling via Model-Internal Uncertainty
von: Xue, Chao, et al.
Veröffentlicht: (2026)

AutoAugment Is What You Need: Enhancing Rule-based Augmentation Methods in Low-resource Regimes
von: Choi, Juhwan, et al.
Veröffentlicht: (2024)

You Only Cache Once: Decoder-Decoder Architectures for Language Models
von: Sun, Yutao, et al.
Veröffentlicht: (2024)

MinerU2.5-Pro: Pushing the Limits of Data-Centric Document Parsing at Scale
von: Wang, Bin, et al.
Veröffentlicht: (2026)

You Only Scan Once: Efficient Multi-dimension Sequential Modeling with LightNet
von: Qin, Zhen, et al.
Veröffentlicht: (2024)

REX-RAG: Reasoning Exploration with Policy Correction in Retrieval-Augmented Generation
von: Jiang, Wentao, et al.
Veröffentlicht: (2025)

Agentic Retrieval-Augmented Generation: A Survey on Agentic RAG
von: Singh, Aditi, et al.
Veröffentlicht: (2025)

M3DocRAG: Multi-modal Retrieval is What You Need for Multi-page Multi-document Understanding
von: Cho, Jaemin, et al.
Veröffentlicht: (2024)

Use Graph When It Needs: Efficiently and Adaptively Integrating Retrieval-Augmented Generation with Graphs
von: Dong, Su, et al.
Veröffentlicht: (2026)

MinerU-Popo: Universal Post-Processing Model for Structured Document Parsing
von: Xu, Bangrui, et al.
Veröffentlicht: (2026)

RAGCap-Bench: Benchmarking Capabilities of LLMs in Agentic Retrieval Augmented Generation Systems
von: Lin, Jingru, et al.
Veröffentlicht: (2025)