长文档视觉问答方法、装置及电子设备

本发明涉及计算机视觉技术领域，尤其涉及一种长文档视觉问答方法、装置及电子设备，方法包括：获取长文档页面的多模态特征；为多模态特征配置预设数量的页面令牌，页面令牌用于存储长文档中各个页面的页面信息；根据每一页面令牌与文档问题的相关程度，为每一页面令牌分配权重；并根据分配权重后的页面令牌，获取长文档的文档信息；通过训练完成的多模态大语言模型，获取文档信息在文档问题下的文档答案。本发明通过采用上述方法，解决相关技术中处理多页的长文档场景时，视觉问答任务的处理效果不佳的问题。