Visual/Text/Layout情報を利用したDocument Understanding。ベースラインであるLayoutXLMに対して、単語の読み順精度、および単語検出の位置ズレに対するロバスト性を向上させた。また、Layout情報の埋め込みにConditional Position Encodingを適用し、学習時とは異なるサイズの画像・テキストにも対応できるように改善した。