عاملی که بدون نگاه کردن حاشیه‌نویسی می‌کند، موفقیت را گزارش می‌دهد زیرا فراخوانی بازگشت. رندر کردن صفحه حاشیه‌نویسی شده به‌صورت تصویر به مدل دارای قابلیت بینایی امکان می‌دهد مکان برجسته را بررسی کند و در صورت اشتباه آن را جابجا کند.
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.
وقتی پاسخ در نمودار است: عوامل هوش مصنوعی که نمودارها و اسکن‌ها را از طریق MCP می‌خوانند
نمودارها، مهرها و صفحات اسکن‌شده پاسخ‌هایی دارند که استخراج متن هرگز نمی‌بیند. رندر کردن صفحه و ارائه تصویر به مدلی با قابلیت بینایی به آن‌ها دست می‌یابد، با محدودیت‌های صادقانه در دقت.
