MIRA: A Multimodal Illustrated Deep Research Agent for Controllable Reports

📄 arXiv: 2610.25926v1 📥 PDF

作者: Hongrui Wu, Kaiwen Tuo, Congcong Wang, Gen Li, Shuai Dong, Xinlei Yu, Yuqi Xu, Haowen Hou, Zelin Peng, Jiaqi Wang

分类: cs.CV

发布日期: 2026-10-19

备注: 33 pages, 8 figures, 9 tables

💡 一句话要点

提出MIRA以解决多模态深度研究报告生成问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多模态研究 深度学习 报告生成 证据整合 用户导向

📋 核心要点

  1. 现有深度研究代理在生成可控报告时，未能有效利用图像和控制报告内容的多样性。
  2. MIRA通过整合文本和视觉证据，构建多步的研究轨迹，支持用户需求的报告生成。
  3. MIRA在七个多模态搜索和深度研究基准测试中表现优异，达到了最先进的性能水平。

📝 摘要（中文）

深度研究代理在开放网络搜索和证据综合方面的能力日益增强，但在可控报告生成方面仍显不足。现有系统在推理过程中往往未能充分利用搜索过程中发现的图像，并且在生成时通常产生固定形式的答案，缺乏对报告粒度、多模态组合和证据基础的控制。为此，本文提出MIRA，一个多模态插图深度研究代理，旨在整合文本和视觉证据，支持用户指定的报告生成需求。MIRA通过四个阶段连接用户需求与生成过程，最终实现高质量的插图报告。使用Qwen3.6-35B-A3B，MIRA在七个代表性基准测试中表现出色，生成的报告与用户需求高度一致。

🔬 方法详解

问题定义：本文旨在解决现有深度研究代理在生成可控报告时的不足，特别是在推理过程中未能充分利用图像和生成固定形式答案的问题。

核心思路：MIRA通过将用户需求转化为生成合同，整合文本与视觉证据，支持多阶段的研究和写作过程，以实现灵活的报告生成。

技术框架：MIRA的整体架构包括四个主要阶段：证据收集、报告提交、基于反馈的修订和最终交付。MIRA-Harness负责连接用户需求与生成过程，MIRA-Data则构建高质量的多步多模态研究轨迹。

关键创新：MIRA的核心创新在于其能够在整个研究和写作过程中整合多模态证据，并通过反馈机制不断优化生成的报告。这一设计使得报告生成更加灵活和用户导向。

关键设计：在技术细节上，MIRA使用了后训练的基础模型，并在生成过程中引入了多样化的损失函数和参数设置，以确保生成的报告能够准确反映用户的需求和所收集的证据。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在七个多模态搜索和深度研究基准测试中，MIRA使用Qwen3.6-35B-A3B模型达到了最先进的性能，显著优于现有开放代理，生成的插图报告与用户需求高度一致，展现了其在多模态证据整合和报告生成方面的强大能力。

🎯 应用场景

MIRA的研究成果可广泛应用于学术研究、市场分析、新闻报道等领域，帮助用户生成高质量的多模态报告。其灵活的报告生成能力将提升信息获取和呈现的效率，为用户提供更为精准的决策支持。未来，MIRA有潜力在教育和商业智能等领域发挥更大影响。

📄 摘要（原文）

Deep research agents are increasingly capable of searching the open web and synthesizing evidence, yet they remain poorly suited to controllable report generation in multimodal deep research. This task requires agents to handle interleaved textual and visual inputs, gather multimodal evidence through multi-step web search, and deliver comprehensive illustrated reports under user-specified requirements. Existing systems face two limitations. During reasoning, they often underuse images discovered along the search trajectory; during generation, they tend to produce fixed-form answers with limited control over report granularity, multimodal composition, and evidence grounding. We introduce MIRA, a Multimodal Illustrated Deep Research Agent for controllable reports. MIRA integrates textual and visual evidence throughout research and writing. At its core, MIRA-Harness translates user requirements into generation contracts and connects four stages: evidence collection, report submission, feedback-driven revision, and final delivery. Building on this harness, MIRA-Data constructs high-quality multi-hop multimodal research trajectories, and we post-train foundation models to operate within the workflow. Using Qwen3.6-35B-A3B, MIRA achieves state-of-the-art performance among open agents on 7 representative, established multimodal-search and deep-research-agent benchmarks, while producing user-aligned illustrated reports with traceable textual and visual evidence.