DR Pixel：让深度研究智能体直接“看”论文页面

2026年11月3日阅读约 3 分钟

导语

科学论文并不是一串可以被完整压平的文字。表格中的数值关系、图中的趋势、公式里的符号以及版面结构，往往共同决定一段研究结论的含义。然而，许多深度研究智能体仍然沿用“文档解析—OCR—文本检索”的路径，页面中的视觉信息在转换过程中可能被丢失。

论文《DR Pixel: Page-Native Deep Research with Vision-Language Models》提出了另一种思路：让视觉语言模型直接处理渲染后的论文页面，把页面图像而不是 OCR 文本作为检索和推理的基本单位。

页面原生检索与推理：DR Pixel 使用论文页面图像完成信息检索、证据读取和答案生成，不再把 OCR 文本作为唯一中间表示。
面向复杂科学文档的评测：研究团队构建了 DRPixelBench，问题覆盖文本、图表、表格和公式等多种信息形态，并在约 106 万页的语料上运行系统。
无需训练也展现竞争力：在摘要所列的多种先进模型上，页面原生方案优于 OCR 基线，同时需要更少的工具调用。这说明视觉输入并不只是对文本流程的补充，也可能成为更直接的研究接口。
改进智能体训练：教师轨迹通常包含有效步骤、重复尝试和失败行动。DR Pixel 引入“反事实信用重加权”，按照某一步骤对最终答案的反事实贡献，为不同推理和行动步骤分配更细粒度的权重。
训练后效果继续提升：该方法使 DRPixelBench 的检索召回率提升约 15 个百分点，最终准确率提升超过 10 个百分点，并在其他基准上超过未训练版本。在分布外的 ViDoRe-V3 上，系统与直接获得正确页面的理想上限之间仅相差 1.8 个百分点。

DR Pixel 的价值不只在于增加了一个多模态智能体，而在于重新审视了文档研究的中间表示。OCR 擅长把页面变成可搜索文本，但它并不天然理解二维布局，也可能无法完整表达图表、公式和视觉强调关系。直接以页面为单位，可以让模型在同一输入中看到文字及其空间上下文，减少转换环节带来的信息损失。

这一路线也改变了检索系统的设计重点：系统需要回答的不只是“哪些词匹配”，还要判断哪一页包含能支持问题的视觉证据。对于论文问答、专利分析、技术报告审阅等任务，这种能力尤其重要。

当然，页面图像方案仍需面对图像编码成本、超长文档管理和证据可追溯性等工程问题。当前结果更适合被理解为一个有力的研究信号，而不是 OCR 流程已经全面退出。随着视觉语言模型推理成本下降，页面原生检索可能成为深度研究智能体的重要默认选项。