伯克利团队开源 DR Pixel:直接看页面图像做深度研究,胜过 OCR 方案
Berkeley-NLP · hf · 2026-11-03
Berkeley NLP、NYU 上海等团队发布 DR Pixel,首个开源端到端多模态深度研究(deep research)agent,不走 OCR 文本提取,而是直接以渲染后的文档页面图像作为检索单元与推理单元,基于约 106 万篇论文语料运作(page-native deep research)。
- 动机:科学论文富含表格、图、公式,现有 DR agent 通常先转 OCR 文本,丢失版面信息;VLM 直接读页面图像或可避免。
- 评测:构建了 DRPIXELBENCH 基准,要求对文本、图、表、公式联合推理。
- 结果:惊喜的是,page-native 深研无需训练即已表现良好,超过基于 OCR 的基线;反事实信用重加权(counterfactual credit reweighting)进一步提升检索与推理。
代码与基准均已开源(GitHub: StarTrail-org/DRPixel,HF: HughieHu/DRPixel-Bench)。
「研究」频道最新
- 录 3.2 小时音频即可声学定位一个美国人，研究者晒数据直指隐私风险 — AndrewM_Webb · 2026-11-03
- 用麦克风音频反查飞机位置:各地需连续录音最长超一天才可行 — AndrewM_Webb · 2026-11-03
- AI 重塑肺癌研究：从科学发现到个性化诊疗 — MihaelaVDS · 2026-11-03
- Anthropic 用重放采样验证推理未被篡改，与 DiFR 论文方法不谋而合 — adam_karvonen · 2026-11-03
- 解读「人格神经元」:多数只是概念神经元,被问身份才假装成人格 — burny_tech · 2026-11-03
- 简化 prompt 让 GPT-5.4 从 93.5% 跌到 40.9%,基线更省 31 倍成本 — dl_weekly · 2026-11-03