論文の概要: TVIR: Building Deep Research Agents Towards Text--Visual Interleaved Report Generation
- arxiv url: http://arxiv.org/abs/2606.02320v1
- Date: Mon, 01 Jun 2026 14:35:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:32.284948
- Title: TVIR: Building Deep Research Agents Towards Text--Visual Interleaved Report Generation
- Title（参考訳）: TVIR: テキスト化に向けたディープリサーチエージェントの構築-ビジュアル・インターリーブド・レポート・ジェネレーション
- Authors: Xinkai Ma, Zhiqi Bai, Dingling Zhang, Pei Liu, Yishuo Yuan, He Zhu, Jiakai Wang, Qianqian Xie, Yifan Zhao, Xinlong Yang, Hao Cong, Zhiheng Yao, Fengxia Xie, Zihao Xu, Haoran Xu, Zhaohui Wang, Minghao Liu, Shirong Lin, Yingshui Tan, Yuchi Xu, Wenbo Su, Zhaoxiang Zhang, Bo Zheng, Jiaheng Liu,
- Abstract要約: TVIR (Text-Visual Interleaved Report Generation) は、100名の専門家によるマルチモーダルディープリサーチタスクのベンチマークである。
TVIR-Agentは階層的なマルチエージェントフレームワークで、アウトラインの構築と画像検索のための強力なベースラインとして機能する。
テキストアセスメントとビジュアルアセスメントを組み合わせたデュアルパスアセスメントフレームワークを開発した。
- 参考スコア（独自算出の注目度）: 63.89818340842003
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Research Agents have shown strong capability in multi-step information retrieval, reasoning, and long-form report generation, but existing benchmarks and systems remain predominantly text-centric, with limited evaluation of whether visual elements are factually reliable and well aligned with the surrounding analysis. To address this gap, we introduce TVIR (Text--Visual Interleaved Report Generation), which includes TVIR-Bench, a benchmark of 100 expert-curated multimodal deep research tasks that require visual elements to serve specific analytical sub-goals, and TVIR-Agent, a hierarchical multi-agent framework that serves as a strong baseline for constructing outlines, retrieving images, generating charts with traceable sources, and composing reports through context-aware sequential writing. We further develop a dual-path evaluation framework that combines Textual Assessment and Visual Assessment. Experiments across nine deep research systems show that TVIR-Agent achieves strong overall performance, underscoring the importance of explicit multimodal design and evaluation for evidence-driven report generation.
- Abstract（参考訳）: ディープリサーチエージェントは、多段階情報検索、推論、長期レポート生成において強力な能力を示してきたが、既存のベンチマークとシステムは、視覚要素が実際に信頼性が高く、周辺分析に適合しているかどうかを限定して、主にテキスト中心のままである。
このギャップに対処するために,TVIR (Text-Visual Interleaved Report Generation) や,特定の分析サブゴールを提供するために視覚要素を必要とする100名の専門家によるマルチモーダルディープリサーチタスクのベンチマークである TVIR-Bench や,アウトラインの構築,画像の検索,トレース可能なソースによるチャートの生成,コンテキスト対応シーケンシャル書き込みによるレポート作成のための強力なベースラインとして機能する階層的マルチエージェントフレームワークである TVIR-Agent などが紹介されている。
さらに,テキストアセスメントとビジュアルアセスメントを組み合わせたデュアルパスアセスメントフレームワークを開発した。
9つのディープ・リサーチ・システムを対象とした実験により、TVIR-Agentは、明示的なマルチモーダル設計の重要性とエビデンス駆動のレポート生成の評価を根拠として、全体的な性能が向上することが示された。
関連論文リスト
- Towards Verifiable Multimodal Deep Research: A Multi-Agent Harness for Interleaved Report Generation [70.92039951832591]
我々は、インターリーブレポート生成のためのマルチエージェントハーネスであるtextscPtahを提案する。
textscPtahは、ユーザクエリから、計画、研究、執筆段階を通じてレンダリングされたWebレポートまでのライフサイクルを編成する。
検証エージェントがハーネスの受け入れ機能として機能し、ワークフロー全体を通して事実的接地、引用の忠実性、相互の整合性を強制する。
論文 参考訳（メタデータ） (2026-05-28T12:40:34Z) - ViDR: Grounding Multimodal Deep Research Reports in Source Visual Evidence [1.6789785654745923]
情報源の長文レポートを基盤とするフレームワークであるViDRを提示する。
ViDRは、ソースフィギュアを検索可能、解釈可能、未確認、検証可能なエビデンスオブジェクトとして扱う。
また,深部研究報告における視覚的エビデンス評価のベンチマークであるMMR Bench+についても紹介する。
論文 参考訳（メタデータ） (2026-05-13T05:39:38Z) - Towards Knowledgeable Deep Research: Framework and Benchmark [105.87257445617922]
本稿では、DRエージェントが構造化知識と非構造化知識の両方でレポートを生成する必要があるKDR(Knowledable Deep Research)を紹介する。
テキスト,図形,テーブルをコヒーレントなマルチモーダルレポートに統合するマルチエージェントアーキテクチャであるHybrid Knowledge Analysis Framework (HKA)を提案する。
実験の結果,HKAは汎用および知識中心の指標において,既存のDRエージェントよりも一貫して優れていた。
論文 参考訳（メタデータ） (2026-04-09T02:06:27Z) - FS-Researcher: Test-Time Scaling for Long-Horizon Research Tasks with File-System-Based Agents [53.03492387564392]
我々はFS-Researcherを紹介した。FS-Researcherはファイルシステムベースのフレームワークで、永続的なワークスペースを通じてコンテキストウィンドウを超えて深い研究をスケールする。
Context Builderエージェントはインターネットを閲覧し、構造化されたノートを書き、ソースを階層的な知識ベースにアーカイブする。
その後、レポートライターエージェントが最終レポートセクションをセクションごとに構成し、知識ベースを事実のソースとして扱う。
論文 参考訳（メタデータ） (2026-02-02T03:00:19Z) - MMDeepResearch-Bench: A Benchmark for Multimodal Deep Research Agents [37.98503734345155]
MMDR-Bench(MMDR-Bench)は、21のドメインにまたがる140の専門的なタスクのベンチマークである。
MMDR-Benchは以前の設定と比較して、明確な証拠を用いたレポートスタイルの合成を強調している。
報告品質のためのF-LLM適応評価(FLAE)、引用的根拠のアライメントのためのTRACE(Trustworthy Retrieval-Aligned Citation Evaluation)、テキスト・視覚的整合性のためのMOSAIC(Multimodal Support-Aligned Integrity Check)を提案する。
論文 参考訳（メタデータ） (2026-01-18T10:41:33Z) - Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
文書理解は、財務分析から科学的発見への応用に不可欠である。
現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。
Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
論文 参考訳（メタデータ） (2025-10-17T02:33:16Z) - A Rigorous Benchmark with Multidimensional Evaluation for Deep Research Agents: From Answers to Reports [24.09178055088843]
Deep Research Agents (DRA)は、タスク分解、クロスソース検索、多段階推論、構造化出力の能力を示す。
本稿では,DRAとレポートスタイルの応答に適した厳密なベンチマークと多次元評価フレームワークを提案する。
このフレームワークは、DRAが生成した長期レポートの総合的な評価を可能にし、セマンティックな品質、トピックの焦点、検索の信頼性のための総合的なスコアリング指標を統合する。
論文 参考訳（メタデータ） (2025-10-02T16:40:02Z) - Multimodal DeepResearcher: Generating Text-Chart Interleaved Reports From Scratch with Agentic Framework [22.366142327629486]
マルチモーダルDeepResearcherは、タスクを調査、文書化、計画、マルチモーダルレポート生成という4つの段階に分解する。
ベースライン方式よりも82%の総合的な勝利率を達成する。
論文 参考訳（メタデータ） (2025-06-03T05:18:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。