今天是2025年7月7日，星期一，北京，晴
今天是小暑，大家注意防暑。
我们继续来看文档智能进展，来看现有中文文档版式分析的标签问题，其实，在实际落地过程中，标签和任务的设定往往会更为重要，如何针对不同的领域文档类型，设定合适的标签，很重要。
另外，我们再看RAG进展，关注几个竞赛获奖方案。比赛是https://liverag.tii.ae/challenge-details.php，被选中的团队需要构建一个 RAG 系统，应用如查询重写、文本检索、提示生成等，指定Falcon3-10B-Instruct来进行答案生成，涉及到6个竞赛方案，可以做个记录。
一、中文文档版式分析的标签问题
目前开源的针对中文场景的版式分析模型用的比较广泛的，主要有3个，360layoutanalysis、doclayout以及PP-DocLayout。
1、360layoutanalysis标签体系
开源了多个场景，包括中文论文、中文研报、英文论文、通用、教材场景等，不同场景有不同的标签。
2、doclayout标签体系
包括10个类别：’title’, ‘plain text’,’abandon’, ‘figure’, ‘figure_caption’, ‘table’, ‘table_caption’, ‘table_footnote’, ‘isolate_formula’, ‘formula_caption
地址在：https://arxiv.org/pdf/2410.12628
3、PP-DocLayout标签体系
包含23个常见的类别：文档标题、段落标题、文本、页码、摘要、目录、参考文献、脚注、页眉、页脚、算法、公式、公式编号、图像、图表标题、表格、表格标题、印章、图表标题、图表、页眉图像、页脚图像、侧栏文本。
和doclayout相比，进行了进一步的细化：
地址在：https://arxiv.org/abs/2503.17213
4、M6DOC标签体系
当然，如果要看版式分析这块的精细活，那么必然要提到M6DOC标签，它的标签体系是真的很细致，但数据不开源，也没有对应的开源模型可用。
根据其提供的标注规范，其设计到的标签非常丰富，高达74个标签，
具但是标签分布很不均衡，如下统计数据：
更值得一提的是，其分领域提供了一些标注方案，例如Scientific article、Newspaper、Textbook、Book、Magazine、Test paper、Note，其中以试卷为例，有如下标注体系：
如一个例子如下：
此外，还给出了古籍的标注体系
例子如下：
地址在：https://arxiv.org/pdf/2305.08719
二、SIGIR 2025 LiveRAG竞赛获奖方案
RAG进展，关注几个竞赛获奖方案。比赛是https://liverag.tii.ae/challenge-details.php，任务是构建一个 RAG 系统，应用如查询重写、文本检索、提示生成等，指定Falcon3-10B-Instruct来进行答案生成。
获奖方案有6个：
1）TopClustRAG at SIGIR 2025 LiveRAG Challenge
思路是混合检索策略，结合稀疏索引和密集索引，然后使用K-Means聚类对语义相似的段落进行分组。每个聚类中的代表性段落用于构建大特定聚类提示，生成中间答案，这些中间答案经过筛选、重新排序，最终合成为单一、全面的答案。
方案在：https://arxiv.org/pdf/2506.15246，
2）RMIT–ADM+S at the SIGIR 2025 LiveRAG Challenge
思路是生成一个假设答案，该答案与原始问题一起用于检索阶段，然后在最终答案生成之前加入了一个重排序步骤。
方案在：https://arxiv.org/pdf/2506.14516
3）RAGtifier: Evaluating RAG Generation Approaches of State-of-the-Art RAG Systems for the SIGIR LiveRAG Competition，实现思路是使用InstructRAG结合 Pinecone 检索器和BGE重排。
方案在：https://arxiv.org/pdf/2506.14412，https://github.com/rmit-ir/GRAG-LiveRAG
4）LTRR: Learning To Rank Retrievers for LLMs，主要思路是引入查询路由方法，该方法基于查询从检索器池中动态选择，根据检索器对下游性能的预期效用增益对其进行排序。
方案在：https://arxiv.org/pdf/2506.13743，https://github.com/kimdanny/Starlight-LiveRAG，
5）DoTA-RAG: Dynamic of Thought Aggregation RAG，主要思想是查询重写、动态路由到专用子索引以及多阶段检索和排序。
方案在：https://arxiv.org/pdf/2506.12571
6）CIIR@LiveRAG 2025: Optimizing Multi-Agent Retrieval，Augmented Generation through Self-Training，主要思路是多智能体检索增强生成 (RAG) 框架，由专门负责规划、搜索、推理和协调等子任务的智能体组成。
方案在：https://arxiv.org/pdf/2506.10844，https://github.com/muktac5/CIIR-LiveRAG；
（文：老刘说NLP）