DR Pixel: Görsel-Dil Modelleriyle Sayfa Odaklı Derin Araştırma (Deep Research)

OCR Tabanlı Sistemlerin Sınırları ve Sayfa Odaklı Yaklaşım#

Bilimsel makaleler gibi karmaşık belgeler; tablolar, şekiller ve denklemler içerisinde zengin bilgiler barındırır. Ancak mevcut derin araştırma (Deep Research - DR) ajanları, bu belgeleri genellikle OCR (Optik Karakter Tanıma) ile çıkarılmış düz metinlere indirger. Bu durum, görsel bağlamın ve yapısal ilişkilerin kaybolmasına yol açar. Görsel-Dil Modelleri (VLM'ler) ise doğrudan işlenmiş belge sayfası görüntüleri üzerinden bilgi erişimi (retrieval) ve akıl yürütme (reasoning) yaparak "sayfa odaklı" (page-native) derin araştırmayı mümkün kılar.

• DR Pixel Mimarisi: Tek bilgi erişim ve akıl yürütme birimi olarak doğrudan işlenmiş sayfa görüntülerini kullanan ilk açık kaynaklı, uçtan uca çok modlu (multimodal) DR ajanıdır ve 1,06 milyon sayfalık bir derlem (corpus) üzerinde çalışır.
• DRPixelBench Değerlendirmesi: Metin, şekil, tablo ve denklemler üzerinde bütünsel akıl yürütme gerektiren bilimsel makaleleri test etmek için özel olarak oluşturulmuş bir kıyaslama (benchmark) veri setidir.
• Eğitimsiz (Zero-Shot) Üstünlük: Sayfa odaklı derin araştırma, herhangi bir ek eğitim olmadan bile oldukça başarılıdır. GPT-5.4, Gemini-3.5-Flash ve Qwen3.6-27B gibi en gelişmiş modellerde OCR tabanlı referans sistemleri geride bırakırken, daha az araç çağrısı (tool call) gerektirir.

Ajan Eğitiminde Karşıolgusal Kredi Yeniden Ağırlıklandırma#

Derin araştırma ajanlarının eğitimi aşamasında önemli bir mühendislik zorluğu ortaya çıkar: Denetimli ince ayar (Supervised Fine-Tuning - SFT) için kullanılan öğretmen yörüngeleri (teacher trajectories) gürültülüdür. Bu veriler, kritik akıl yürütme ve eylem adımlarını gereksiz veya başarısız denemelerle karıştırır.

• Karşıolgusal Kredi Yeniden Ağırlıklandırma (Counterfactual Credit Reweighting): Bu sorunu çözmek için geliştirilen ince taneli kredi atama yöntemidir. Her bir akıl yürütme ve eylem adımını, nihai cevaba olan karşıolgusal (counterfactual) katkısına göre ağırlıklandırır.
• Eğitim Sonrası Performans Artışı: Bu eğitim yöntemi, DRPixelBench üzerinde bilgi erişim duyarlılığını (retrieval recall) yaklaşık 15 puan, nihai doğruluğu (accuracy) ise 10 puanın üzerinde artırır ve mevcut dört farklı kıyaslamada eğitimsiz temel modelleri geride bırakır.
• Dağılım Dışı (Out-of-Distribution) Başarı: ViDoRe-V3 veri setinde DR Pixel, doğrudan doğru (gold) sayfaların verildiği ideal bir sisteme (oracle) 1,8 puan kadar yaklaşır.

Yazılım Geliştirme ve Mimari Çıkarımlar#

Geleneksel "önce OCR uygula, sonra erişim yap" (OCR-then-retrieve) veri hattı (pipeline) yalnızca gereksiz değil, aynı zamanda alt-optimaldir (suboptimal). Doğrudan görsel belge sayfaları üzerinden erişim ve akıl yürütme yapmak, karmaşık derin araştırma sistemlerini hem daha etkili hem de daha verimli hale getirir.

• Veri Hattı Sadeleştirmesi: RAG ve ajan mimarilerinde karmaşık OCR ve metin ayrıştırma (parsing) katmanlarını kaldırıp doğrudan sayfa görüntülerini indekslemek, mimari borcu ve bilgi kaybını azaltır.
• Maliyet ve Gecikme Optimizasyonu: Çok modlu modellerle görsel sayfalar üzerinden doğrudan akıl yürütmek, ajanların hedefe ulaşmak için yaptığı tool calling (araç çağırma) sayısını düşürerek üretim ortamında gecikmeyi (latency) optimize eder.
• Veri Kalitesi ve Fine-Tuning: Çok adımlı (multi-step) ajanları eğitirken ham logları olduğu gibi kullanmak yerine, adımları nihai sonuca katkılarına göre filtrelemek ve ağırlıklandırmak model başarısını doğrudan yükseltir.
• Modül Bağlantısı: Bu yaklaşımlar, platformumuzdaki Tool Calling ve Multi-Step Agent'lar, Modeller: Hangisi, Ne Zaman? ve RAGAS ile RAG Değerlendirme modüllerindeki pratik üretim stratejileriyle doğrudan örtüşmektedir.