DR Pixel：利用视觉语言模型直接在文档页面上进行深度研究
DR Pixel 是一款开源多模态深度研究智能体，直接基于渲染后的文档页面图像进行检索和推理，而非依赖 OCR 提取的文本。研究团队在包含 106 万页的语料库上测试该系统，并构建了 DRPixelBench，用于评估需要理解文本、图表、表格和公式的任务。直接处理页面图像的方法优于 OCR 基线，且工具调用次数更少。研究提出为各个推理和操作步骤分配权重的方法，使 DRPixelBench 上的检索召回率提高约 15 个百分点，最终准确率提高逾 10 个百分点。在分布外基准 ViDoRe-V3 上，DR Pixel 与直接获得正确页面的预言系统仅相差 1.8 个百分点。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。