Hugging Face · 每日论文·· 2 天前精选AI 评分55
DR Pixel：基于视觉-语言模型的原生页面深度研究
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，直接以渲染的文档页面图像作为检索和推理单元，覆盖106万页。研究构建了DRPixelBench基准，评估模型在文本、图表、表格和公式上的推理能力。
推荐理由
该研究提出直接使用渲染页面图像进行深度研究，无需OCR，且在多个基准上优于现有方法，为多模态文档理解提供了新路径。
来源：Hugging Face · 每日论文 · huggingface.co