DR Pixel, la ricerca sui paper che legge le pagine come immagini

Aggiornamento del 3 novembre 2026: la prima versione si basava solo sull’abstract e diceva che mancavano dati di dettaglio, codice e dati. Il paper completo li riporta: abbiamo riscritto l’articolo sul testo integrale.

DR Pixel è un agente di deep research, un sistema che cerca in molti documenti per rispondere a domande complesse, che lavora sulle immagini delle pagine dei paper scientifici invece che sul testo estratto con l’OCR. Nei test dei suoi autori, sei ricercatori di NYU Shanghai, UC Berkeley, Toyota Technological Institute at Chicago e Rational Dynamics, risponde meglio e con meno ricerche della catena tradizionale.¹

Come funziona

Un paper non è fatto solo di frasi: tabelle, grafici ed equazioni contengono informazioni che la trascrizione in testo spesso perde o deforma. DR Pixel usa un modello visione-linguaggio, capace di leggere insieme immagini e testo, e tratta l’immagine della pagina come unica unità sia per trovare i documenti sia per ragionare.¹

Per misurarlo gli autori hanno costruito DRPixelBench: 500 domande su un archivio di 99.055 paper e 1.062.153 pagine, ciascuna con una risposta breve verificabile su una pagina precisa. Le domande sono state generate con Gemini-3.5-Flash a partire da paper di arXiv e di conferenze ad accesso aperto, poi controllate e riscritte da esperti.¹

I risultati

Senza addestramento specifico, la ricerca sulle immagini delle pagine batte la catena che usa testo e figure estratte con tutti e tre i modelli provati. Con GPT-5.4 l’accuratezza sale da 46,3 a 51,9, con Gemini-3.5-Flash da 41,3 a 46,4 e con Qwen3.6-27B da 34,9 a 40,1. Le ricerche necessarie calano del 20-30%.¹

Gli autori hanno poi addestrato Qwen3.6-27B con un metodo che pesa ogni passaggio del ragionamento in base a quanto contribuisce alla risposta finale. Le pagine giuste trovate salgono da 36,3 a 52,0 e l’accuratezza da 40,1 a 52,1: lo stesso livello di GPT-5.4, con un modello a pesi aperti.¹ Il guadagno si ripete su benchmark che gli autori non hanno costruito: su IRPAPERS si passa da 65,4 a 79,4, su M3SciQA da 49,8 a 64,2 e su AirQA da 42,7 a 52,3. Su ViDoRe-V3 il modello arriva a 70,8, contro i 72,6 di un “oracolo” a cui vengono date direttamente le pagine corrette.¹

Cosa tenere a mente

Il banco di prova principale è degli stessi autori e i risultati non sono ancora stati replicati da altri. Solo l’1,7% delle domande di ViDoRe-V3 richiede davvero di leggere un contenuto visivo, quindi su quel test il vantaggio delle immagini si vede poco.¹ In più, il modo in cui si correggono le risposte pesa sui punteggi dei test multimodali: un audit su otto benchmark ha trovato differenze fino a 22 punti di accuratezza con le stesse risposte e regole di correzione diverse.²

Codice e dati sono pubblici: il codice su GitHub, il benchmark su Hugging Face.¹

Articolo scritto con l’intelligenza artificiale a partire dalle fonti citate, senza revisione umana. Redazione automatica di Redazia.

Fonti

Footnotes

1. DR Pixel: Page-Native Deep Research with Vision-Language Models, arXiv, 2026-11-02 ↩ ↩² ↩³ ↩⁴ ↩⁵ ↩⁶ ↩⁷ ↩⁸

2. Same Outputs, Different Scores: Auditing the Unchecked Graders of Multimodal LLM Benchmarks, arXiv, 2026-11-02 ↩