論文の概要: DR Pixel: Page-Native Deep Research with Vision-Language Models

• arxiv url: http://arxiv.org/abs/2611.03097v1
• Date: Mon, 02 Nov 2026 13:13:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.603627
• Title: DR Pixel: Page-Native Deep Research with Vision-Language Models
• Title（参考訳）: DR Pixel:視覚言語モデルを用いたページNative Deep Research
• Abstract要約: DR Pixelは,レンダリングされたページイメージを唯一の検索・推論ユニットとして使用する,オープンソースの初のマルチモーダルDRエージェントである。 この設定を評価するために,テキスト,図形,表,方程式の推論を必要とする科学論文のベンチマークであるDRPixelBenchを構築した。 驚くべきことに、ページネイティブDRはトレーニングなしですでにうまく動作しており、最先端のモデルでOCRベースのベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 25.325876961688138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex documents such as scientific papers contain rich information in tables, figures, and equations; however, existing deep research (DR) agents typically reduce papers to OCR-extracted text. We instead ask whether vision-language models (VLMs) can enable page-native deep research: directly retrieving and reasoning over rendered document page images. We introduce DR Pixel, the first open-source end-to-end multimodal DR agent that uses rendered page images as its sole retrieval and reasoning unit, operating over a corpus of 1.06M pages. To evaluate this setting, we construct DRPixelBench, a benchmark on scientific papers requiring reasoning over text, figures, tables, and equations. Surprisingly, page-native DR already works well without training, outperforming OCR-based baselines across state-of-the-art models like GPT-5.4, Gemini-3.5-Flash, and Qwen3.6-27B, while requiring fewer tool calls. We next turn to DR training. A key challenge is that teacher trajectories for agentic supervised finetuning are noisy, mixing critical reasoning and action steps with redundant or failed attempts. To address this, we introduce counterfactual credit reweighting, a fine-grained credit assignment method that weights individual reasoning and action steps by their counterfactual contribution to the final answer. Our training improves retrieval recall by about 15 points and final accuracy by over 10 points on DRPixelBench, and likewise outperforms the untrained baseline on four existing benchmarks. On out-of-distribution ViDoRe-V3, DR Pixel comes within 1.8 points of an oracle that is given the gold pages directly. Our results suggest that the conventional OCR-then-retrieve pipeline is not only unnecessary but suboptimal: directly retrieving and reasoning over visual document pages makes complex DR both more effective and more efficient.
• Abstract（参考訳）: 科学論文のような複雑な文書は、表、数字、方程式の豊富な情報を含んでいるが、既存の深層研究(DR)エージェントは通常、論文をOCR抽出テキストに還元する。 代わりに、視覚言語モデル(VLM)が、ページネイティブなディープリサーチを可能にするかどうかを尋ねる: 描画された文書ページイメージを直接検索し、推論する。 DR Pixelは,レンダリングされたページイメージを唯一の検索・推論ユニットとして使用し,1.06万ページのコーパス上で動作させる,オープンソースの初のマルチモーダルDRエージェントである。 この設定を評価するために,テキスト,図形,表,方程式の推論を必要とする科学論文のベンチマークであるDRPixelBenchを構築した。 GPT-5.4、Gemini-3.5-Flash、Qwen3.6-27Bといった最先端のモデルでOCRベースのベースラインを上回り、ツールコールを少なくする。 私たちは次にDRトレーニングに向きます。 重要な課題は、エージェントによる微調整のための教師の軌跡がうるさく、重要な推論とアクションステップを冗長または失敗した試みと混合することである。 これを解決するために, 個別の推論と行動ステップの重み付けを, 最終回答への反事実的貢献によって行う, きめ細かな信用割当手法である, 対実的信用重み付けを導入する。 トレーニングではDRPixelBenchで約15ポイント,最終的な精度を10ポイント以上向上し,既存の4つのベンチマークでトレーニングされていないベースラインを上回りました。 発売前のViDoRe-V3では、DR Pixelは金のページを直接与えるオラクルの1.8ポイント以内にあります。 以上の結果から,従来のOCR-then-retrieveパイプラインは必要以上に最適である可能性が示唆された。

関連論文リスト

• Code as Representation: A Compilable Parsing Paradigm for Academic Documents [50.40789738182074]
  Compilable Academic Document Parsing (CADP)は、コンテキストラプラス実行可能なPythonとして全ページを再構築するパラダイムである。 テキストと複数のSAEタイプを含む全学術ページのエキスパート検証ベンチマークであるCADP-Benchを紹介する。 その結果、フロンティアモデルでさえも、高忠実度で実行可能な再構築を行うのに苦戦していることがわかった。
  論文  参考訳（メタデータ） (2026-08-18T09:10:43Z)
• Doc-V*:Coarse-to-Fine Interactive Visual Reasoning for Multi-Page Document VQA [71.42483000929614]
  複数ページのドキュメント 視覚的質問回答は、長い、視覚的に密集したドキュメントにおける意味論、レイアウト、および視覚的要素の推論を必要とする。 我々は,多ページDocVQAをシーケンシャルエビデンスアグリゲーションとしてキャストするtextbfOCRフリーエージェントフレームワークであるDoc-$V*$を提案する。
  論文  参考訳（メタデータ） (2026-04-15T11:12:27Z)
• DocSeeker: Structured Visual Reasoning with Evidence Grounding for Long Document Understanding [63.257540233507626]
  本稿では、構造化解析、局所化、推論のワークフローを実行するためにモデルを必要とするパラダイムを提案する。 ショートページトレーニングから超長文書への堅牢な一般化を示し、視覚的検索・拡張生成システムと自然に相乗効果を示す。
  論文  参考訳（メタデータ） (2026-04-14T14:39:26Z)
• OThink-SRR1: Search, Refine and Reasoning with Reinforced Learning for Large Language Models [27.82040547996176]
  OThink-SRR1は、強化学習を通じてトレーニングされた反復的なサーチ-リファイン-推論プロセスで大きなモデルを強化するフレームワークである。 その中核となるRefineステージは、回収された文書を推論する前に簡潔で関連する事実に蒸留する。 4つのマルチホップQAベンチマーク実験により,提案手法はより少ない検索ステップとトークンを用いながら,強いベースラインよりも優れた精度が得られることが示された。
  論文  参考訳（メタデータ） (2026-03-27T03:06:29Z)
• SDS KoPub VDR: A Benchmark Dataset for Visual Document Retrieval in Korean Public Documents [10.146296597660598]
  既存のビジュアル文書検索(VDR)のベンチマークは、非英語言語と公式出版物の構造的複雑さを概ね見落としている。 SDS KoPub VDRは,韓国の公文書の検索と理解のための,最初の大規模公開ベンチマークである。 ベンチマークは361の現実世界のドキュメント上に構築されており、KOGL Type 1ライセンス下の256ファイル、公式の法的ポータルからの105ファイルが含まれている。
  論文  参考訳（メタデータ） (2025-11-07T01:16:07Z)
• MaFeRw: Query Rewriting with Multi-Aspect Feedbacks for Retrieval-Augmented Large Language Models [22.50450558103786]
  現実世界のRAGシステムでは、現在のクエリは会話コンテキストからの音声楕円とあいまいな参照を含むことが多い。 本稿では,検索プロセスと生成結果の両方からマルチアスペクトフィードバックを統合することにより,RAG性能を向上させる新しいクエリ書き換え手法MaFeRwを提案する。 2つの対話型RAGデータセットの実験結果から、MaFeRwはベースラインよりも優れた生成指標と安定したトレーニングを達成できることが示された。
  論文  参考訳（メタデータ） (2024-08-30T07:57:30Z)
• Efficient End-to-End Visual Document Understanding with Rationale Distillation [43.28272448274713]
  Rationale Distillation (RD)は、理性と答えの両方を予測するために、小さな学生モデルを訓練する。 RDは、計算コストが1%高いだけで、4-5%の絶対精度でベースモデルを上回っている。
  論文  参考訳（メタデータ） (2023-11-16T06:50:26Z)

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。