做多模态文档 RAG 的人，大概都体会过这种憋屈：检索指标一片飘绿，top-4 页里明明白白躺着答案，模型的回答却驴唇不对马嘴。第一反应通常是折腾检索器——换模型、加 rerank、调 top-K——忙活一圈，错还是那些错。POSTECH 的这篇论文把镜头对准了被忽略的另一半：检索到的页，生成模型到底「读」进去没有。结论有点扎心：五个主流方法平均只给生成器 0.7K 到 2.7K 视觉 token，页是找对了，证据却压根没喂够。
💡 TL;DR：检索对了页只是把书递到模型面前；模型读没读进去，取决于你给它多少视觉 token、页面糊不糊、证据突不突出。在 SciEGQA 上，纯页图预算从 1K 提到 32K，准确率多 15.22 个点；固定 16K 预算再叠加证据区域的 OCR 文本，还能再涨 3.75 个点。两件事拼成一个免训练框架 LoC，在三个基准上全面超过八个既有方法。
📄 论文：Loud and Clear: Making Visual Evidence Count in Multimodal Document RAG（arXiv 2610.21318）
先对齐一个概念：视觉 token 是模型的「像素口粮」
视觉语言模型（VLM）没法直接「看」图，得先把图像切成小块、编码成一串 token 才能进上下文，这就是视觉 token（visual token）。一块图对应固定数量的 token，图被压得越小，token 越少，留下的细节也越少——就像把海报复印缩小，大标题还认得，行间小注已经糊成一团。
多模态文档 RAG 的标准流水线是：视觉检索器（比如 ColPali，直接把页面截图编码后做向量检索）捞出 top-K 页图，原样塞给 VLM 生成答案。页面以「图」的形式进入模型这一点很关键——表格、图表、版式、图注全在像素里，喂进去多少像素细节，模型才可能读到多少。
那问题来了：主流系统实际给了模型多少「口粮」？
体检报告：五个方法，平均只喂 0.7K–2.7K 视觉 token
作者的实验设计很干净：把检索页固定成「标准答案页」（oracle pages，真值证据所在页），生成器、提示词、解码、评测全部锁死，只动视觉输入。这样一来，任何准确率变化都只能归因于「怎么给模型看」，归因链条非常短。
先做体检：把 M3DocRAG、VDocRAG、VisRAG、SV-RAG、VisDoM 五个方法的图像处理设置统一适配到同一个处理器上，量出它们实际喂给生成器的 token 量——平均每次查询 0.72K 到 2.68K，中位数还要更低，VisRAG 和 VisDoM 有一半的查询连 700 token 都不到。水位低的来路也不神秘：这些系统大多沿用各自底座模型的默认分辨率设置，为省算力把页面压得很小，只是这个代价此前没人系统量过。然后做对照：同样的页、同样的生成器，纯页图预算从 1K 一路拉到 32K。
结果：准确率从 65.74% 涨到 80.96%，+15.22 个百分点。页没换、模型没换、提示词没换，只把图喂「大」了一点。
右图还有第二层信息：固定 16K 预算，留 25% 给整页、75% 给真值证据裁切图，准确率 83.73%，比纯页图的 79.98% 高 3.75 个点。注意最右侧的纯裁切反而大幅回落——光给局部不给全页是要吃亏的，这个伏笔后面会回收。
两个数字摆在一起，论文的论点就立住了：生成器的视觉输入是一个被严重低估的独立瓶颈。它不在检索器里，也不在模型权重里，就藏在「你怎么把页图递过去」这一步。
🛠️ 药方只有两个词：Loud 和 Clear
怎么把这一步做好？论文把它拆成两个需求。Loud：把模型的视觉 token 容量用满——预算要给足，分辨率保真度要够高；Clear：对页内容做精修，让证据区域从背景里突出出来。两项各自做受控实验，分别选出跨基准最稳的实现，最后拼成免训练的 LoC 框架。
Loud：预算怎么花，比花多少更讲究
「给更多 token」有五种花法，作者全试了一遍：整页分辨率放大、重复喂同一页、重复喂空白页、每页给三档分辨率的多尺度视图、把页切成 2×2 四块平铺。
结论值得背下来：整页放大最稳。它在 2K–64K 全预算段赢过重复页和空白页，在所有预算上赢过平铺；多尺度视图在 SciEGQA 上更好，但在 ViDoRe-v3 上 4K 之后反输，跨基准不稳定，作者为简单统一放弃了它。
更有意思的是分离实验。整页放大同时改变了两个东西：token 数量和分辨率保真度（fidelity，缩放后保留了多少原图细节）。作者用两阶段缩放把它们拆开——先把页缩到一个「中间分辨率」，再缩到目标预算。结果两个旋钮各自独立有效：固定保真度只放大图，准确率照样涨；固定预算只提保真度，也涨。数字最有说服力：SciEGQA 上，中间分辨率 1K、最终预算 1K 时准确率 65.74%；中间分辨率压在 1K 不动、只把最终预算提到 16K——同一张图单纯放大，信息一点没变多——准确率涨到 78.31%。反过来，最终预算锁在 4K，把保真度从 1K 提到 4K，也从 75.54% 涨到 77.76%。
Finding 1 一句话版：token 给多是必要的，但「怎么花」决定了这些 token 是真在看证据，还是在浪费显存。
Clear：让证据站到台前
Loud 解决「看得到」，Clear 解决「看得清」。固定 16K 预算下，作者比较了七种输入：纯页图；把选中区域外的像素涂白（Whiteout）；把区域裁出来单独给（Crop）；把裁切打包成一张画布（Canvas）；整页加裁切（Page+Crop）；只给区域 OCR 文本（Crop OCR）；整页加区域 OCR（Page+Crop OCR）。
白化的增益还有个规律：选中区域在页面上占比越小，涂白带来的提升越大——干扰越少，证据越亮。作者还补了一组对照：页图一个像素不动，把区域 OCR 作为额外文本拼进去，SciEGQA 也能再涨 2.09 个点，说明 OCR 供给的不是冗余信息，而是页图里模型没读出来的那部分。排名有点反直觉，值得单独列一下：
- 涂白就很有效：SciEGQA +2.03、ViDoRe-v3 +0.81 个点，且完全不动 token 分配——说明干扰内容确实在拖累模型；
- 只给 OCR 文本最差：53.97%，连纯页图都远不如——纯文本丢了布局，表格行列关系全毁；
- 最优是「整页 + 区域 OCR」：82.87% / 56.12%，两个基准上都最优或近优；
- 重排类操作跨基准不稳定：Canvas 画布在 ViDoRe-v3 上能把与 Whiteout 的差距追回来大半（55.65 对 56.05），到 SciEGQA 上却又落在 Whiteout 后面（81.15 对 82.01）——凡是动了原版式的方案，都没能两头讨好。
为什么组合最强？论文的案例非常直观：一道统计表格题，纯页图答 26，纯 OCR 答 57，组合答 31（正确答案）。OCR 给出连续、精确的文本序列，页图保留行列布局和表头归属，缺一不可。
再回收前面的伏笔：纯裁切为什么不行？因为裁切会丢页面上下文——标题与条目的从属关系、图注、邻近段落。RegionRAG 这类「用区域替换整页」的方案，恰恰输在这里：三个基准上，保留整页的设计全都更稳。
LoC：拼起来，零训练
最后把两个设计拼成 LoC：整页放大（Loud）+ 查询相关区域的 OCR（Clear）。巧妙的是区域怎么选——不需要任何真值标注，直接复用检索器的 token 嵌入，用 ColBERT 的 MaxSim 相似度给每个候选区域打分，挑出每页最相关的区域做 OCR，按页拼在页图后面。整个流程免训练，改的只有「怎么喂」。
📈 效果：三个基准全绿，但代价要看清
端到端对决（真实检索、生成器统一为 Qwen3.6-35B-A3B），LoC 对八个既有方法全胜。评测口径也说一句：答案判定交给一个只看问题、参考答案与预测文本的评审模型，部分正确的答案按 strict 口径记零分——对比较的所有方法用的是同一把尺。挑最关键的：对最强基线 ColQwen3（检索器、页序、生成器完全相同，归因干净），LoC 在 SciEGQA 上 69.19% → 78.07%（+8.88），ViDoRe-v3 上 46.61% → 49.70%（+3.09），MMLongBench-Doc 上 41.61% → 45.83%（+4.22），三个增益的配对 bootstrap 置信区间都不含零。
拆开看增量更有意思：只上 Loud（整页放大、不给 OCR）就能在三个基准全超基线（75.48 / 49.16 / 43.54），Clear 再往上加 2.59 / 0.54 / 2.29 个点。换更小的模型也灵：Qwen2.5-VL-7B 上，同样的改动把 SciEGQA 从 48.98% 抬到 56.44%。顺带把最近邻 RegionRAG 放回对比表里看：28.77 / 32.10 / 24.38，被 LoC 拉开一大截——同样的证据区域，「替换」整页不如「陪衬」整页，这是全文里对区域检索派最实用的一组对照。
但先别急着抄作业，看这张饱和曲线：
三件事值得注意：只 Loud 的收益在 s=1.75 后基本饱和（75.11% → 75.23%），继续放大就是纯烧卡；Clear 在每个尺度上都能再赚一笔，说明 OCR 提供的是页图给不了的信息；而最左端 LoC 反而低于只 Loud——预算太小时 OCR 挤占了页图 token（页图均值从 3.80K 掉到 1.48K），页面糊到 OCR 也救不回来。
怎么用到你的系统里
论文的结论可以直接翻译成一份操作清单，按性价比从高到低排：
- 先量再改：打印一次你的 RAG 栈「每查询实际视觉 token 用量」。如果像被审计的五个方法一样停在 1K–3K，先别动检索器，把生成端输入分辨率提上去——这可能是最便宜的一次测量，却决定后续所有优化的天花板；
- 放大就整页放大：别重复喂图、别加空白页、别平铺，直接提高整页分辨率，然后实测饱和点——本文是 s=1.75，你的模型和文档类型大概率不同；
- 饱和后再叠 OCR：用检索器嵌入给页面区域打分，选 top 区域做 OCR 拼进上下文，免训练，一下午能落地；
- 预算紧张时保页图：OCR 优先挤占页图 token 会翻车，页图保真度是地基；
- 别让裁切替换整页：要给局部就「整页 + 局部」，单纯换裁切会丢标题归属和图注。
拿论文里的例子过一遍这套逻辑（正是下图这个 ICLR 日程表场景）：问「Day 2 的海报展几点开始」，预算低时日程表里 Posters 那一行糊成一团——证据明明在页里，模型读不到；整页放大后这一行清晰可读（Loud）；再把 Day 2 表格区域做 OCR 拼进上下文，答案 16:00 直接以文本形式摆到模型眼前（Clear）。页面从头到尾没换过，变的只是呈现方式。
反过来说，如果你的生成端输入分辨率本来就拉满、页图 token 已经在五位数，这篇论文的增量对你有限——「先量再改」这四个字，本身就是清单里最重要的一条。
🧊 泼冷水时间
方法是真有效，但有四盆冷水得泼。
第一盆：这是拿算力换准确率。 LoC 默认配置把视觉 token 拉到基线约 5.12 倍，附录延迟表显示：只 Loud 从 s=1.75 到 3.0，准确率 75.11% → 75.23%，生成段中位延迟却从 121.65 秒涨到 745.66 秒，P95 破千秒——十二分钟等一个答案，多数在线系统扛不住。真正划算的区间在 s=1.5 到 2.25 之间。
第二盆：「0.7K–2.7K」的审计口径偏严。 五个方法是被「改编」到统一处理器下测量的，论文自己承认这还原不了原生设置里的学习式压缩器（比如 VisRAG 的 resampler 被换成了面积约束）。这个水位说明的是「这些系统的默认配置很保守」，不完全是「这些系统天生不行」。
第三盆：Clear 的增益小，还看域吃饭。 ViDoRe-v3 上 +0.54 个点的置信区间含零；分领域看 HR 是 -3.77、金融是 -1.94，部分场景 OCR 是净负收益。它还依赖文档解析与 OCR 质量，语料里扫描件一多，得先掂量掂量。
第四盆：评测面窄。 只测英文文档、三个 Qwen 系生成器、单一评审模型，strict 口径下部分正确的答案记 0 分。换语言、换模型家族、换评测协议，数字未必能平移。另外较真一句：SciEGQA 上多尺度视图其实全程领先（32K 时 81.82%），作者以跨基准一致为由放弃它——这个选择合理，但意味着「整页放大最优」是实用主义结论，不是普适真理。
💡 理性看待
把视角拉高一点，这篇论文真正的贡献不是 LoC 这个框架，而是那个被量化的盲区：「检索到了」和「读进去了」之间，隔着一条可测量的鸿沟。十五个点的差距说明，过去我们盯着检索器卷命中率的时候，生成端有个水龙头一直只开了一半。
对做多模态 RAG 的工程团队，它把「怎么给模型看」提升到与「检索什么」同级的优化旋钮：便宜的一半（整页放大）先拧到位，贵的一半（区域 OCR）看预算再上。对做 VLM 的人，它给视觉 token 的缩放研究补了一个真实任务侧的注脚——token 数量与保真度是两个都能独立兑现准确率的轴。
至于标题里那个反差，值得贴在工位上：检索器的工作在页被选出那一刻就结束了；剩下的路，得看你递过去的像素够不够响、够不够亮。
