在人工智能技术持续突破的背景下，多模态大语言模型已从单一文本处理向图文协同理解演进。然而这类系统在执行学术研究任务时的真实表现，特别是能否像专业研究者般完成资料收集、证据分析和引用规范的研究报告撰写，始终缺乏系统性评估。近日，由国际多所顶尖高校与科技企业联合完成的研究，首次构建了针对深度研究代理（DRA）的综合性评测体系，为评估AI学术能力提供了新维度。
研究团队开发的MMDeepResearch-Bench评测平台（简称MMDR-Bench），设计了覆盖21个学科领域的140个专家级任务。这些任务分为日常信息处理和学术研究两大类，前者涉及产品说明解析、健康图表解读等场景，后者则包含科学图表分析、技术原理图阐释等复杂任务。每个任务均由博士级专家设计，确保需要同时处理文本与视觉信息，且所有结论均可通过引用验证。
在对25个主流AI系统的测试中，Gemini深度研究系统以49.41分（满分100）领跑，其优势体现在证据质量和引用对齐能力。值得注意的是，不同模型在能力维度上呈现显著差异：部分系统文本生成流畅但引用混乱，另一些虽能精准引用却难以处理复杂图表。研究特别指出，添加视觉处理模块未必提升性能，某些模型在读取表格数字、日期标签等细节时错误率反而上升，暴露出当前视觉理解技术的局限性。
评测发现多模态整合与引用严谨性存在矛盾：某些系统能准确关联图文信息，但引用规范不足；专业研究代理虽擅长多步骤验证，却常在实体识别环节出错。研究还揭示，模型性能提升的关键不在于规模扩张，而在于基础架构优化与检索交互设计。部分离线模型因检索策略高效，甚至超越了具备网络搜索能力的模型。
为验证评估可靠性，研究团队邀请12位领域专家进行独立评审。结果显示，完整评估框架与专家判断的一致性达73.5%，相关性达96.4%，显著优于传统提示词评估方法。这表明该体系能较准确地反映AI系统的真实研究能力。
Q&A环节中，研究团队解释了MMDR-Bench的独特价值：该平台通过标准化任务设计，首次实现了对AI学术研究能力的全流程评估。针对视觉能力反降性能的现象，团队指出当前模型在处理微小文字、复杂排版等视觉细节时仍存在技术瓶颈。对于用户使用建议，专家强调应建立"人机协作"机制，将AI定位为信息筛选工具而非最终决策者。
