ViDR: Grounding Multimodal Deep Research Reports in Source Visual Evidence
ViDR：将多模态深度研究报告锚定于源视觉证据
🧭 多模态深度研究报告的视觉证据定位与验证
Peking University · National Key Laboratory of Data Space Technology and System · Beijing Jiaotong University · Hunan University
提出将源图像作为可检索、可解释、可验证的证据对象，结合证据索引提纲和视觉验证，提升多模态深度研究报告的可靠性和可验证性
📌 工作参考价值
- 多模态证据的可信报告生成：在电商商品评测或行业分析报告的自动生成中，可将商品图片、图表视为可验证的源证据，通过类似“证据索引提纲”的方式将每个结论关联到具体视觉证据，提升生成内容的说服力。
- 噪声图像的精炼流水线：论文提出的“上下文感知过滤 + 提纲感知重排序 + VLM 视觉分析”流程，可直接用于从混乱的网页抓取商品图片中提取高质量、相关的证据原子，避免无关或低质量图片干扰报告。
- 视觉引用的显式验证：在生成报告中验证引用图像的准确性和位置合理性，减少“幻觉”或错配，这一思路可移植到多模态 RAG 系统，增强答案的可信度。
- 多模态报告质量的量化评估：MMR Bench+ 将源图检索、放置、解释、可验证性等纳入评测维度，可为电商多模态内容生成系统提供更全面的离线评估方案，指导优化方向。
动机：现有深度研究系统主要依赖文本证据，生成长篇报告；多模态系统往往只弱检索图像或自行生成图表，未能充分利用原始源图像作为证据，导致视觉支撑薄弱、报告可验证性差。
方法关键点：
- 证据对象建模：将源图像视为可检索、可解释、可路由、可验证的原子证据，而非装饰。
- 证据索引提纲：构建将报告声明与文本及视觉证据链接的结构化提纲，指导分段写作。
- 噪声图像精炼：通过上下文感知过滤剔除无关图像，提纲感知重排序挑选最匹配证据，再利用 VLM 进行视觉分析（解释图表、提取关键信息），形成证据原子。
- 分章节证据驱动生成：每个章节使用该章节特定的证据集进行生成，确保图文紧密对应。
- 视觉引用验证：自动检查报告中引用的图像是否真实存在、位置是否合理，减少幻觉。
关键结果：在 MMR Bench+ 基准上，ViDR 在总体报告质量、源图像集成度和可验证性上均显著优于商用和开源基线，证明源视觉证据能显著提升深度研究报告的证据支撑和可信度。