一种文档理解方法及相关产品

本申请公开了一种文档理解方法及相关产品，该方法包括：获取待理解文档对应的图像和待查询问题；对所述待理解文档对应的图像进行处理，得到所述待理解文档对应的图像的多个候选框；将所述多个候选框和所述待理解文档对应的图像进行叠加处理，得到视觉提示图像；采用多模态大语言模型基于所述视觉提示图像，确定所述待查询问题对应的关键框，并基于所述关键框，得到查询结果；所述关键框表征满足预设条件的候选框。本申请将处理文档时“粗到细”的推理过程融入到多模态大语言模型中，使多模态大语言模型能够更精准地响应用户的指代性或结构化问题，提高多模态大语言模型在文档理解领域的准确性。