跳到正文
arXiv · NLP· Tiansheng Hu, Yichuan Wang, James V. Talwar, Nicholas Tomlin, Chen Zhao, Sewon Min·· 17 天前AI 评分48

DR Pixel:首个基于页面图像的多模态深度研究开源智能体

DR Pixel: Page-Native Deep Research with Vision-Language Models

AI 导读

DR Pixel 是首个开源端到端多模态深度研究智能体,将渲染页面图像作为唯一检索与推理单元,在 GPT-5.4 等模型上超越 OCR 基线。 该智能体在 106 万页面语料库上运行,并构建 DRPixelBench 进行评测。通过反事实信用重加权微调,检索召回率提升约 15 点,最终准确率提升超 10 点。

来源:arXiv · NLP · arxiv.org