TVIR：构建深度研究代理以生成文本-视觉交错报告

深度研究代理在多步骤信息检索、推理和长格式报告生成方面表现出了强大的能力，但现有的基准和系统仍然主要以文本为中心，对视觉元素是否事实上可靠以及与周围分析是否良好一致的评估有限。为了解决这一差距，我们引入了 TVIR（文本-视觉交错报告生成），其中包括 TVIR-Bench（100 个专家策划的多模式深度研究任务的基准，需要视觉元素来服务于特定的分析子目标）和 TVIR-Agent（一个分层多代理框架，可作为构建轮廓、检索图像、生成具有可追溯源的图表以及通过上下文感知顺序编写来撰写报告的强大基线）。我们进一步开发了结合文本评估和视觉评估的双路径评估框架。跨九个深度研究系统的实验表明，TVIR-Agent 实现了强劲的整体性能，强调了明确的多模式设计和评估对于证据驱动的报告生成的重要性。