Hugging Face Daily Papers·· 2 天前精选AI 评分60
DR Pixel：以页面图像为原生的视觉语言模型深度研究智能体
DR Pixel: Page-Native Deep Research with Vision-Language Models
AI 导读
DR Pixel 是一个开源多模态智能体，直接以渲染后的文档页面图像作为检索与推理单元，在 1.06M 页语料上做深度研究，并构建了 DRPixelBench 基准。
推荐理由
论文提出以渲染页面图像作为检索与推理单元，替代 OCR 转文本流程，并给出基准与训练方法。
来源：Hugging Face Daily Papers · huggingface.co