HuggingFace Daily Papers· Tiansheng Hu, Yichuan Wang, James V. Talwar, Nicholas Tomlin, Chen Zhao, Sewon Min·2026-11-02 03:00· 2 天前精选AI 评分70

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

研究人员提出DR Pixel，首个开源端到端多模态深度研究智能体，直接使用渲染文档页面图像作为检索和推理单元。在包含文本、图表、表格和方程式的科学论文基准测试中，DR Pixel无需训练即优于基于OCR的基线模型，包括GPT-5.4、Gemini-3.5-Flash和Qwen3.6-27B。

推荐理由

直接使用文档图像而非OCR文本进行检索和推理，在复杂文档处理上展现出超越传统方法的效果。