عاملهای چندحالتی به پیکسلها نیاز دارند، نه فقط متن استخراج متن به یک عامل هوش مصنوعی کاراکترهای یک سند را میدهد و چیدمان، نمودارها و مهرها را نادیده میگیرد. یک درخواست صفحه را بهصورت تصویر رندر میکند و عامل مستقیماً به آن نگاه میکند.
