DR Pixel: Page-Native Deep Research with Vision-Language Models

논문 페이지를 이미지 그대로 검색하고 추론하는 첫 오픈소스 멀티모달 딥리서치 에이전트를 만들고, 단계별 기여도 재가중치 학습 방법까지 제안했다.

이 논문은 한마디로 OCR 로 텍스트를 뽑는 대신 렌더링된 페이지 이미지를 검색과 추론의 단위로 쓰는 딥리서치 에이전트를 소개한다. 페이지 기반 에이전트는 학습 없이도 OCR 기반보다 정확하면서 검색 호출도 적게 썼다. 저자는 각 단계의 반사실적 기여도로 학습 가중치를 매기는 방법을 더해 오픈소스 모델을 폐쇄형 최고 모델급으로 끌어올렸다.

핵심 요약

• DR Pixel 은 1.06M 페이지 말뭉치에서 렌더링된 페이지 이미지만을 검색과 추론 단위로 쓰는 최초의 오픈소스 종단 멀티모달 딥리서치 에이전트다.
• 평가용으로 과학 논문 500문항의 DRPixelBench 를 만들었고, 모든 문항은 텍스트, 표, 그림, 수식을 함께 읽어야 답할 수 있다.
• 학습 없이도 페이지 기반 접근은 GPT-5.4, Gemini-3.5-Flash, Qwen3.6-27B 에서 OCR 기반보다 정확도를 5.1–8.4점 올리면서 검색 호출을 20%–30% 줄였다.
• 반사실적 기여도 재가중치로 학습한 Qwen3.6-27B 는 DRPixelBench 정확도를 40.1에서 52.1로 올려 GPT-5.4 를 살짝 앞질렀다.
• 이 학습은 분포 밖 ViDoRe-V3 에서 정답 페이지를 직접 주는 오라클과 1.8점 차이에 도달했고, 일반 SFT 보다 57% 적은 검색으로 비슷한 적중률을 냈다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.