Vision-DeepResearch：マルチモーダル大規模言語モデルにおけるDeepResearch能力の動機付け

要約

マルチモーダル大規模言語モデル（MLLM）の知識不足を補うため、視覚・テキスト検索を強化する「Vision-DeepResearch」が提案された。これは複数回のターン、複数エンティティ、複数スケールでの検索を行い、ノイズの多い実環境でもロバストに機能する。

全文は有料プランで閲覧できます。