研究发现：模型原生读图可提升深度研究 Agent 且减少工具调用
RulinShao · x · 2026-11-04
sewon min 团队延续「无需 OCR，直接从图像原生读取文本」的路线：让深度研究（deep research）agent 直接处理页面图像而非 OCR 文本，不仅提升性能，还减少了工具调用次数。团队对开源权重模型做后训练使其适配页面图像输入后获得显著提升，推测原因是这些开源模型此前缺乏针对页面图像的训练。工作由 Hughie Hu 领衔。
「编程与Agent」频道最新
- YC 系 Vyra 发布：对话式 AI 视频剪辑 Agent，自动切卡点加字幕 — ycombinator · 2026-11-04
- 开源 AFK Pilot 18 万安装：一个扩展深度集成多家编码 Agent — PawelHuryn · 2026-11-04
- Locus:不靠 agent 编排工具,而是自主改造发现循环本身 — yusufroohani · 2026-11-04
- MCP 新增企业托管授权扩展:IT 部门统一管理全员插件访问 — ClaudeDevs · 2026-11-04
- Claude 推出插件自动连接:MCP 服务器可信任 Claude 签发的身份 — ClaudeDevs · 2026-11-04
- Agent 不在乎代码整洁?AI 时代该把精力转向产品体验 — dotey · 2026-11-04