Deep-Reporter：扎根多模态长格式生成的深入研究

最近的代理搜索框架可以通过迭代规划和检索进行深入研究，减少幻觉并增强事实基础。然而，它们仍然以文本为中心，忽视了现实世界专家报告的多模式证据。我们介绍一个紧迫的任务：多模式长格式生成。因此，我们提出了 Deep-Reporter，一个用于扎根多模态长格式生成的统一代理框架。它协调：（i）代理多模式搜索和过滤，以检索和过滤文本段落和信息密集的视觉效果； (ii) 检查表引导的增量合成，以确保连贯的图像-文本集成和最佳的引文位置； (iii) 循环上下文管理，以平衡远程连贯性与局部流畅性。我们开发了严格的管理流程，生成 8K 高质量代理轨迹以进行模型优化。我们进一步介绍了 M2LongBench，这是一个综合测试平台，包含跨 9 个领域的 247 个研究任务和一个稳定的多模式沙箱。大量实验表明，长形式多模态生成是一项具有挑战性的任务，特别是在多模态选择和集成方面，而有效的 后训练 可以弥补这一差距。