多模态Deep Research，终于有了「可核验」的评测标准

背景：随着多模态深度研究智能体的普及，现有评估方法多关注文本生成质量或短问答，难以对涉及图像证据的端到端研究过程进行可靠验证，存在“幻觉”和证据引用不实等问题。研究目的：为解决上述问题，俄亥俄州立大学与Amazon Science等机构联合推出了MMDR-Bench基准，旨在为多模态深度研究智能体建立一个过程可核验、证据可追溯、断言可对齐的硬性评估标准。结论：该基准包含140个专家任务，覆盖19个领域，并通过FLAE、TRACE和MOSAIC三段管线进行多维度评估，强调证据链的可靠性而非唯一答案。实验表明，写作能力强的模型未必证据对齐扎实，凸显了将评估重点从“能写”转向“能被查”的重要性，为智能体的可工程化迭代提供了明确信号。