نقدم مجموعة بيانات جديدة لاستجابات الأسئلة البصرية (VQA) على صور المستندات تُسمى DocVQA. تتكوّن المجموعة من 50,000 سؤالًا محددة على أكثر من 12,000 صورة مستند. ونقدّم تحليلًا مفصلًا للمجموعة مقارنةً بمجاميع بيانات مماثلة لـ VQA وفهم القراءة. ونُعلِن عن نتائج قاعدة أولية باستخدام نماذج موجودة لـ VQA وفهم القراءة. وعلى الرغم من أن النماذج الحالية تؤدي أداءً معقولًا في أنواع معينة من الأسئلة، إلا أن هناك فجوة كبيرة في الأداء مقارنة بالأداء البشري (دقة 94.36٪). وتحتاج النماذج إلى تحسين أداءها بشكل خاص في الأسئلة التي يُعد فهم هيكل المستند فيها أمرًا حاسمًا. تتوفر المجموعة، والكود، وجدول التصنيف على الموقع: docvqa.org