Document Haystack عبارة عن مجموعة بيانات مرجعية متعددة الوسائط للمستندات تم إصدارها بواسطة Amazon AGI في عام 2025. نتائج الورقة ذات الصلة هي "كومة قش المستندات: فهم الصورة/المستندات متعدد الوسائط في سياق طويل، معيار رؤية ماجستير الحقوق"، والذي يهدف إلى تقييم قدرات استرجاع المعلومات وفهم نماذج اللغة البصرية (VLMs) في المستندات المعقدة ذات السياق الطويل.

تحتوي مجموعة البيانات على 400 صيغة مستندية و8250 سؤال استرجاع، تغطي مستندات حقيقية تتراوح صفحاتها بين 5 و200 صفحة. تتضمن تنسيقات البيانات ملفات PDF أصلية، وصورًا مقسمة إلى صفحات بدقة 200 نقطة في البوصة، وملفات نصية عادية مُحللة، وهي مناسبة لمهام مثل الإجابة على الأسئلة والإجابة عليها بصريًا.