A PixelRAG pontosságban verte a szövegelemzőket, és tízszeresére csökkentette a mesterséges intelligencia ügynök token költségeit

A kutatók bevezették a PixelRAG-ot, amely a HTML-szöveggé alakító RAG-ot úgy váltja fel, hogy indexeli a renderelt weboldal-képernyőképeket, és a lekért képcsempéket egy vizuális nyelvi modellnek adja át. Hat, Wikipédia-szintű adatokon végzett benchmark során akár 18,1%-kal is felülmúlta a szöveges RAG-ot, és körülbelül tízszeresére csökkentette az ügynökök prompt tokenek számát. A vizuális darabolás továbbra is megoldatlan, és a hibrid használat javasolt.