看看DeepResearch的一个总结，其实在这个时间节点，可以看看和RAG对比。分几个点看。

在工作流灵活性上，RAG是静态检索-生成流程，DeepResearch是动态自主工作流，支持多轮工具交互、任务分解与迭代优化；在任务适配范围上，RAG侧重短文本问答，DeepResearch适配长周期、复杂开放任务（如科研报告、政策分析）；在输出可靠性上，DeepResearch强调可验证输出，通过明确引用、证据合成、内存管理减少幻觉，而RAG对证据的整合与验证能力较弱。

顺着这个点，来看看一个全面些的综述。

多总结，多归纳，多从底层实现分析逻辑，会有收获。

一、文档多模态大模型进展之Dolphin-v2文档多模态大模型进展方面，可以看字节的文档多模态模型Dolphin-v2版本，https://huggingface.co/ByteDance/Dolphin-v2，基于Qwen2.5-VL-3B骨干网络，一共4B参数。看核心几个点。

1、四个优化点

其一，文档支持范围扩展，可同时处理数字原生和拍摄类文档（含真实失真场景）；

其三，元素覆盖，类别从14类提升至21类，新增代码块、公式等专用类别；

包括：

sec_0-sec_5：层级标题（含主标题+1-5级子标题）、para：普通段落、half_para：跨列/跨行段落、equ：数学公式（输出LaTeX格式）、tab：表格（输出HTML格式）、code：代码块（保留原始缩进格式）、fig：图表（图像类元素）、cap：图表/表格标题、list：列表（有序/无序列表）、catalogue：目录、reference：参考文献、header/foot：页眉/页脚、fnote：脚注、watermark：水印、anno：注释

其三，坐标定位方面，采用绝对像素坐标定位；

其实，解析策略，采用混合解析策略，数字文档元素级并行解析+拍摄文档整体解析，搭配专用模块（如代码缩进保留、公式LaTeX生成），这个主要用的是分类的思路，分而治之。

2、模型的两阶段架构

首先，第一阶段（联合分类与布局分析）：先文档类型分类，区分文档为“电子版”或“拍摄类”，再按阅读顺序生成元素序列并完成21类元素分类；

其次，第二阶段（混合内容解析），针对拍摄类文档采用“整体页面级解析”，适配失真、模糊等问题；

最后，针对电子版文档采用“元素级并行解析”，结合类型专用提示模块（P_formula：公式→LaTeX格式；P_code：代码块→保留缩进；P_table：表格→HTML格式；P_paragraph：段落→文本识别）。

二、Deep Research技术总结

来看一个Deep Research的技术总结，这个之前也有一些，已经有些场景，例如：

智能信息检索场景，处理复杂多跳查询（数据集：HotpotQA、GAIA、BrowseComp）；

综合报告生成场景，综述、长文本报告、海报、幻灯片（数据集：ReportBench、SurveyGen、PPTEval）；

科研辅助场景，想法生成、实验执行、学术写作、同行评审（数据集：ResearcherBench、REVIEW-5k）；

软件工程场景，解决GitHub问题、自动化开发（数据集：SWE-Bench）

但温故而知新，再看看一个最新的总综述。

但温故而知新，再看看一个最新的总综述。

工作在《Deep Research: A Systematic Survey》，https://arxiv.org/pdf/2512.02038，https://github.com/mangopy/Deep-Research-Survey

从系统上看，DeepResearch是一个典型闭环工作流，包括四个步骤：

步骤1.查询规划阶段，将复杂问题分解为可执行的子查询（支持并行、顺序、树状三种分解方式）；

步骤2.信息获取阶段，通过文本/多模态/商业检索工具获取信息，动态判断检索时机并过滤噪声；

步骤3.内存管理阶段，负责信息的整合、索引、更新与遗忘，维持长周期任务的上下文连贯性；

步骤4.答案生成阶段，整合上游信息，解决证据冲突，结构化推理过程，支持文本、图表、幻灯片等多模态输出。

1、规划类型

查询规划，将复杂问题分解为可执行子查询，如下：

并行规划单次生成独立子查询，高效并行处理（如 Least-to-Most Prompting）；

顺序规划迭代分解，依赖前序结果（如 LLatrieval、DRAGIN）；

树状规划递归构建推理树，支持分支探索（如 RAG-Star、DeepRAG）

2、信息获取

信息获取，精准获取并筛选外部信息。

涉及到的点如下：

检索工具上，文本检索（BM25、DPR）、多模态检索（LayoutLM、ChartReader）、商业搜索（Google/Bing）；

检索时机上，自适应触发（基于置信度、内部状态、自然语言表达）；

信息过滤上，文档选择（点/对/列表级排序）、内容压缩（词汇/嵌入级）、规则清洗（如HtmlRAG去冗余）

3、内存管理

内存管理维持长周期任务的上下文连贯性。

包括以下几个点：

内存整合：将短期信息转化为长期存储（结构化 / 非结构化）；

内存索引：信号增强、图结构、时间线索引；

内存更新：非参数更新（整合冲突信息）、参数更新（模型权重微调）；

内存遗忘：被动遗忘（FIFO、艾宾浩斯曲线）、主动遗忘（删除无效信息）

4、答案生成

答案生成的核心是合成高质量、可验证输出。

核心步骤上，先整合上游信息->解决证据冲突->结构化推理->多模态呈现，实现难度上，需要做可信度感知注意力、多智能体审议、强化学习优化事实性。