跳到正文
arXiv · 机器人与计算机视觉· Tiansheng Hu, Yichuan Wang, James V. Talwar, Nicholas Tomlin, Chen Zhao, Sewon Min·· 16 天前精选AI 评分82

DR Pixel:基于视觉语言模型的页面原生深度研究

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

AI 导读

该论文介绍 DR Pixel,这是首个将渲染后的文档页面图像作为唯一检索与推理单元的开源端到端多模态深度研究智能体。研究构建了 DRPixelBench 基准以评估在科学论文(含文本、图表、公式)上的表现。

推荐理由

提出 DR Pixel,首个基于渲染页面图像而非 OCR 文本的开源多模态深度研究智能体,在科学文献处理上无需训练即可超越现有基线。

来源:arXiv · 机器人与计算机视觉 · arxiv.org