論文の概要: MIRA: A Multimodal Illustrated Deep Research Agent for Controllable Reports

• arxiv url: http://arxiv.org/abs/2610.25926v1
• Date: Mon, 19 Oct 2026 07:24:44 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:44:08.070793
• Title: MIRA: A Multimodal Illustrated Deep Research Agent for Controllable Reports
• Title（参考訳）: MIRA: 制御可能なレポートのためのマルチモーダルなディープリサーチエージェント
• Abstract要約: 本稿では,MIRAについて紹介する。 MIRAは研究と執筆を通じてテキストと視覚的証拠を統合している。 MIRAは、7つの代表者、確立されたマルチモーダル検索およびディープリサーチエージェントベンチマーク上のオープンエージェント間の最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 20.80713319488851
• License:
• Abstract: Deep research agents are increasingly capable of searching the open web and synthesizing evidence, yet they remain poorly suited to controllable report generation in multimodal deep research. This task requires agents to handle interleaved textual and visual inputs, gather multimodal evidence through multi-step web search, and deliver comprehensive illustrated reports under user-specified requirements. Existing systems face two limitations. During reasoning, they often underuse images discovered along the search trajectory; during generation, they tend to produce fixed-form answers with limited control over report granularity, multimodal composition, and evidence grounding. We introduce MIRA, a Multimodal Illustrated Deep Research Agent for controllable reports. MIRA integrates textual and visual evidence throughout research and writing. At its core, MIRA-Harness translates user requirements into generation contracts and connects four stages: evidence collection, report submission, feedback-driven revision, and final delivery. Building on this harness, MIRA-Data constructs high-quality multi-hop multimodal research trajectories, and we post-train foundation models to operate within the workflow. Using Qwen3.6-35B-A3B, MIRA achieves state-of-the-art performance among open agents on 7 representative, established multimodal-search and deep-research-agent benchmarks, while producing user-aligned illustrated reports with traceable textual and visual evidence.
• Abstract（参考訳）: ディープリサーチエージェントはオープンウェブを検索し、証拠を合成する能力はますます高まっているが、マルチモーダルディープリサーチにおけるレポート生成の制御には適していない。 このタスクでは、インターリーブされたテキストと視覚的な入力を処理し、マルチステップのWeb検索を通じてマルチモーダルなエビデンスを収集し、ユーザが指定した要求の下で包括的に説明されたレポートを提供する。 既存のシステムには2つの制限がある。 推論の間、彼らは探索軌跡に沿って発見された画像をしばしばアンダーユースし、世代間は、レポートの粒度、マルチモーダルな構成、証拠の接地を限定的に制御して、固定形式の答えを生成する傾向にある。 制御可能なレポートのためのマルチモーダル・イラストレイテッド・ディープ・リサーチ・エージェントであるMIRAを紹介する。 MIRAは研究と執筆を通じてテキストと視覚的証拠を統合している。 MIRA-Harnessの中核は、ユーザ要求を世代契約に変換し、エビデンス収集、レポート提出、フィードバック駆動リビジョン、最終的なデリバリの4つのステージを接続する。 このハーネスに基づいて、MIRA-Dataは高品質なマルチホップマルチモーダル・リサーチ・トラジェクトリを構築し、ワークフロー内で動作するためのトレーニング後基礎モデルを構築します。 Qwen3.6-35B-A3B を用いて、MIRA は、7 代表のオープンエージェント、確立されたマルチモーダルサーチ、ディープ・リサーチ・エージェントのベンチマークにおいて最先端のパフォーマンスを達成し、また、トレーサブルなテキストおよび視覚的証拠を持つユーザアラインの図面レポートを生成する。

関連論文リスト

• WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents [53.426679066400844]
  WeAgent-Harnessは、ネイティブテキストビジョンインタラクションと実行時リカバリをサポートするマルチモーダルエージェントハーネスである。 WeAgent-MMSearchは,データ構築,エージェントポストトレーニング,マルチモーダルロールアウトにまたがる統合システムである。 また、150タスクの人間認証ベンチマークであるVisTarget-Benchを紹介します。
  論文  参考訳（メタデータ） (2026-08-28T08:28:43Z)
• TVIR: Building Deep Research Agents Towards Text--Visual Interleaved Report Generation [63.89818340842003]
  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。
  論文  参考訳（メタデータ） (2026-06-01T14:35:14Z)
• Towards Verifiable Multimodal Deep Research: A Multi-Agent Harness for Interleaved Report Generation [74.0621258662676]
  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Ptahを提案する。 Ptahは計画、研究、執筆段階を通じて、ユーザクエリから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)
• Towards Long-horizon Agentic Multimodal Search [109.0092257657625]
  本稿では,LMM-Searcher という,ファイルベースの視覚的表現機構を中心とした新しい多モード深層検索フレームワークを提案する。 エージェントに調整されたフェッチ・イメージ・ツールを装備し、能動的知覚のためのプログレッシブでオンデマンドなビジュアル・ローディング・ストラテジーを実現する。 提案手法は,100ターンの探索地平線へのスケールアップに成功し,オープンソースモデル間の最先端性能を実現した。
  論文  参考訳（メタデータ） (2026-04-14T15:40:28Z)
• Deep-Reporter: Deep Research for Grounded Multimodal Long-Form Generation [42.800747398935044]
  Deep-Reporterは、接地型マルチモーダル長文生成のための統一されたエージェントフレームワークである。 モデル最適化のために8Kの高品質なエージェントトレースを生成する厳密なキュレーションパイプラインを開発した。 M2LongBenchは9つの領域にわたる247の研究タスクと安定したマルチモーダルサンドボックスからなる総合的なテストベッドである。
  論文  参考訳（メタデータ） (2026-04-12T17:30:44Z)
• 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。