Deep-Reporter: Deep Research for Grounded Multimodal Long-Form Generation

Idea

Deep-Reporter 将 deep research 扩展到包含图表、示意图和文字证据的长报告生成：按 section checklist 检索双模态材料，过滤后逐节撰写，并用压缩全局记忆加局部原文维持连续性。同时提供可用于后训练的 agentic traces 与稳定 sandbox benchmark，使图像选择、放置和图文一致性成为显式研究对象。

Research Problem

现有 deep research 大多面向文本事实；直接插图无法解决信息密度、事实相关性、引用位置和跨章节重复等问题。长历史与大量图像又容易超出 context，并损害整体结构。已有 benchmark 常只有短多模态答案，或依赖变化的开放网络，难以统一比较检索过程与长报告结果。

Insight

高质量插图应承担证据作用，而不只是装饰；将每节目标拆成粗粒度 description 和细粒度 semantic checklist，能同时指导文字查询、视觉查询与材料筛选。长文连续性需要两种尺度的信息：全局 narrative summary 保持方向，上一节 verbatim tail 支持衔接，不必重复携带全部历史。

Method

1. Planner 将用户 query 变成 section 序列，每节含范围描述与具体事实/论点 checklist，允许人工调整；Searcher 据此产生 narrative queries 和 visual queries，在多模态工具中检索原始候选。
2. Filter 用 LLM 判断文字与当前 checklist 的语义支持关系，用 VLM 判断图像信息量与相关性，优先保留 charts/diagrams，形成精简 evidence set。Reporter 接收 section plan、证据、记忆和章节位置逐节生成。
3. 将图像转换成详细 caption 供文本模型决定引用位置；每生成一节递归更新 global summary，并保留前节末尾原文，生成 interleaved text/image citations，控制长距离叙事和局部连接。
4. 从 1K 专家修订 query/plan 产生 17K 多 agent traces，经检索多样性、视觉对齐、幻觉、放置和重复使用筛查保留 8K。另从真实报告构建 247 个九领域任务及本地多模态 sandbox，并由专家裁决证据池、修订 silver reference reports。