TVIR：构建面向文本 - 视觉交错报告生成的深度研究智能体

深度研究智能体在多步信息检索与长报告生成方面表现优异，但现有系统多局限于文本，缺乏对视觉元素事实可靠性及对齐全面评估。为此，本文提出 TVIR，包含由专家策划的 100 个多模态深度研究任务基准 TVIR-Bench，以及分层多智能体框架 TVIR-Agent。该框架能构建大纲、检索图像、生成可追溯图表并撰写报告。实验表明，TVIR-Agent 在九种系统中性能卓越，凸显了显式多模态设计的重要性。