DR Pixel：以页面图像为检索单元的深度研究智能体

论文称直接检索并推理页面图像优于先 OCR 再检索的流程。

资讯摘要

论文提出 DR Pixel，一个开源端到端多模态深度研究智能体，直接以渲染后的文档页面图像作为唯一检索与推理单元，在 106 万页语料上运行。作者构建 DRPixelBench 基准，覆盖科学论文中的文本、图表与公式推理；结果显示，未经训练的页面原生方法在 GPT-5.4、Gemini-3.5-Flash、Qwen3.6-27B 上均优于 OCR 基线且工具调用更少。作者还提出反事实信用重加权训练方法，报告检索召回提升约 15 点、最终准确率提升逾 10 点。

要点速读

1. DR Pixel 以页面图像为唯一检索与推理单元，语料规模 106 万页，作者称其为首个开源端到端多模态深度研究智能体。
2. 作者构建 DRPixelBench，要求对科学论文的文本、图、表、公式进行推理；未训练的页面原生方法在多个模型上优于 OCR 基线且工具调用更少。
3. 作者提出反事实信用重加权，按各推理与动作步骤对最终答案的反事实贡献加权；报告 DRPixelBench 检索召回提升约 15 点、准确率提升逾 10 点，并在 ViDoRe-V3 上距给定金标页面的 oracle 差 1.8 点。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。