传统OCR+文本检索难以应对复杂文档，视觉文档检索（VDR）应运而生。该综述整合了多模态时代的VDR技术框架，填补了文档理解与检索间的空白，为解决跨页推理等难题提供了新思路。
智能速览
传统OCR+文本检索范式已无法满足复杂文档的检索需求。
研究提出Embedding、Reranker与RAG/Agent三层技术框架。
ColPali等多向量模型通过patch级对齐实现细粒度匹配。
检索模型正从判别式走向“生成+对齐”的融合架构。
未来VDR将升级为具备规划与自纠错能力的主动认知导航器。
精华内容
这份综述不仅梳理了技术，更构建了一个完整的认知框架，揭示了视觉文档检索的核心变革。
范式之困
面对布局复杂、语义细粒度、需跨页推理的真实文档，传统OCR提取文本后再进行检索的范式显得力不从心。该方法忽略了文档的视觉布局信息，难以捕捉图表、印章等非文本元素与文本间的关联，导致在处理财报、合同、学术论文等复杂材料时，检索精度和召回率均不理想。
视觉文档检索（VDR）因此成为多模态文档智能的核心基础设施，旨在直接理解文档的视觉与语义内容，实现更精准的匹配与推理。
三层框架
该综述将VDR技术统一归纳为三层结构。底层是Embedding模型，负责将文档图像和查询文本编码到统一的向量空间中进行初步匹配。中间层是Reranker模型，对初步检索到的候选集进行更精细的跨模态重排序，提升Top-K结果的相关性。
顶层是RAG与Agent集成，通过引入生成式大模型，不仅能检索，还能基于检索结果进行总结、问答和推理，实现从“匹配”到“推理”的跃迁。
多向量革命
以ColPali为代表的多向量表示架构是VDR的一项关键突破。不同于传统单向量模型将整个文档压缩为一个向量，多向量模型将文档图像分割为多个patch，并为每个patch生成独立的向量表示。
这种“晚交互”机制在检索时只计算查询向量与相关patch向量的相似度，实现了细粒度的语义对齐，特别适合定位图表中的特定数据或表格中的某一行。但其代价是存储开销显著增加。
生成式崛起
检索模型的架构正在发生深刻变化，从纯粹的判别式匹配转向“生成+对齐”的融合范式。Think-then-Embed方法让模型先“思考”生成一个中间答案，再将答案和查询一同编码成向量进行检索。Embed-via-Answering则直接将问题作为输入，让模型生成答案的向量表示作为查询。
这些新范式让检索过程隐含了推理步骤，增强了模型对复杂查询的理解能力。
Agent化趋势
未来的VDR系统将不再是被动执行检索命令的工具，而是升级为“主动认知导航器”。以Doc-Researcher和VRAG-RL为代表的系统，引入了Agent框架，赋予VDR多跳检索、任务规划、自主分解复杂问题以及自我纠错的能力。
用户只需提出一个高层次的目标，Agent便能自行规划检索路径、整合多源信息并生成最终答案，极大提升了处理复杂信息任务的效率和智能化水平。
这份综述为视觉文档检索领域描绘了一幅从技术演进到未来智能的完整图景。它不仅是一份技术路线图，更预示着一个新时代的到来，届时文档将由被动被搜索，变为能被主动理解、推理与交互的智能伙伴。
