PixelRAG

PixelRAG 是一个面向视觉内容的检索增强生成（RAG）框架，支持直接基于网页截图或文档图像进行语义搜索，而非依赖传统文本解析。其核心功能包括：将网页/文档渲染为高保真截图瓦片（pixel tiles），利用多模态模型构建视觉索引，并支持文本或图像作为查询输入的跨模态检索；技术上融合视觉语言模型（VLM）、像素级嵌入与可扩展向量检索，兼顾准确性与低延迟。适用于法律合同、学术论文、UI界面、财报PDF等文本结构复杂或含关键图表/排版信息的场景，尤其适合传统OCR+文本RAG效果不佳的视觉密集型文档分析任务。