Document Haystack est un ensemble de données de référence de documents multimodaux publié par Amazon AGI en 2025. Les résultats de l'article associé sont «Document Haystack : une vision multimodale de compréhension d'images/documents à long contexte, référence LLM", qui vise à évaluer les capacités de recherche d'informations et de compréhension des modèles de langage visuel (VLM) dans des documents complexes à contexte long.

L'ensemble de données contient 400 variantes de documents et 8 250 questions de recherche, couvrant des documents réels de 5 à 200 pages. Les formats de données incluent des PDF originaux, des images paginées de 200 ppp et des fichiers texte brut analysés. Il est adapté à des tâches telles que les questions-réponses et les questions-réponses visuelles.