论文页面 - 面向可验证多模态深度研究：用于交错报告生成的多智能体系统框架

来源：https://huggingface.co/papers/2605.29861

摘要

多智能体系统，通过专门智能体和验证机制交错文本与视觉证据，生成可靠且视觉信息丰富的多模态报告。

大型语言模型（LLM）推动了自主智能体从深度搜索（检索简明事实答案）向深度研究（将分散证据综合成长篇报告）的演进。然而，可验证的多模态深度研究仍面临挑战，原因在于：开放式综合缺乏确定性真值，以及需要将文本论证与视觉证据交错呈现。我们提出Ptah——一个用于交错报告生成的多智能体系统框架。Ptah协调从用户查询到呈现网页报告的完整生命周期，涵盖规划、研究和撰写阶段：专门智能体构建视觉感知计划、收集基于主张的证据、在视觉工作记忆中维护与来源一致的图像，并通过声明式多模态工具使用撰写报告。验证智能体作为框架的验收函数，在流程中强制执行事实依据、引用忠实性和跨模态一致性。我们还引入PtahEval，一种评估协议，在现有基准基础上增加了图像级和呈现级评估。在深度研究基准上的实验表明，Ptah生成的多模态报告比强基线方法更可靠、视觉信息更丰富、更便于人类使用。

查看 arXiv 页面 (https://arxiv.org/abs/2605.29861)查看 PDF (https://arxiv.org/pdf/2605.29861)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.29861)

在您的智能体中获取此论文：

hf papers read 2605.29861

没有最新 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2605.29861 以从此页面链接。

引用此论文的数据集0

没有数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.29861 以从此页面链接。

引用此论文的 Spaces0

没有 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2605.29861 以从此页面链接。

包含此论文的收藏0

没有收藏包含此论文

请将这篇论文添加到一个收藏 (https://huggingface.co/new-collection) 中以从此页面链接。