---
title: "MM-RAG (Multimodal RAG) (BG)"
source: "https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)"
wiki: "systems-analysis.info/int"
article: "MM-RAG_(Multimodal_RAG)_(BG)"
language: "bg"
categories:
  - "Category:Bulgarian"
  - "Category:Large language models"
  - "Category:Prompt engineering"
revision_id: 4041
wiki_created_at: 2026-09-06T23:29:39Z
wiki_modified_at: 2026-09-06T23:29:39Z
downloaded_at: 2026-09-07T23:00:30Z
---

# MM-RAG (Multimodal RAG) (BG)

**MM-RAG** (англ. *Multimodal Retrieval-Augmented Generation*) — това е разширение на класическата парадигма RAG, при което LLM използват за отговор не само текст, но и визуални данни (изображения, схеми, таблици, графики). Мултимодалният retrieval позволява намиране и свързване на доказателства в различни представления, намалявайки риска от халюцинации чрез опора на външни източници с точна привързаност към фрагменти от страници и области (*bounding boxes*)<sup>[\[1\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-lewis2020-1)[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-visrag2024-2)</sup>.

MM-RAG е особено полезен за документи, в които съществена част от смисъла е представена в нетекстова форма (оформление на страницата, диаграми, структури на таблици). В такива случаи класическият текстов RAG често губи важни елементи от контекста<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-docvqa2021-3)[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-textvqa2019-4)</sup>.

## Контекст и решаван проблем

Класическият RAG оперира с текстови пасажи и не вижда визуалните структури (наредба на елементите, надписи към фигури, оси на графики). MM-RAG затваря тези пропуски: извлича структурирани елементи (текст, таблици, изображения с координати), индексира ги в векторно пространство и комбинира доказателства от различни модалности<sup>[\[5\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-layoutlm2020-5)[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-clip2021-6)</sup>.

## Архитектура на MM-RAG

Конвейерът на MM-RAG добавя към класическия RAG етапи за обработка на визуални данни и изравняване на модалности: **ingest → индексиране → мултимодален retrieval → сливане и reranking → генериране с трасиране**.

1.  **Събиране и предварителна обработка (Ingestion).** На входа постъпват PDF/сканове/изображения. Изпълняват се OCR и **анализ на оформлението** на страницата за обособяване на зони: абзаци, заглавия, таблици, изображения и техните координати. Типични средства — модели от семейството LayoutLM и инструментални библиотеки LayoutParser; валидацията и обучението често разчитат на dataset-и PubLayNet и DocLayNet<sup>[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-publaynet2019-7)[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-doclaynet2022-8)[\[9\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-layoutparser2021-9)</sup>.
2.  **Сегментиране на региони.** Извличат се визуални обекти (диаграми, таблици, илюстрации, надписи). За по-висока устойчивост се прилагат OCR‑free модели (напр. Donut) или комбинирани pipeline-и OCR+VLM<sup>[\[10\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-donut2021-10)</sup>.
3.  **Индексиране (Vector Index).** Текстовите chunk-ове и визуалните елементи (изображения или техните описания) се преобразуват в векторни представления и се записват в векторна БД. За обединено пространство *text↔image* се прилагат CLIP или SigLIP; за production са удобни мултимодални/мултивекторни индекси (един обект — няколко вектора)<sup>[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-clip2021-6)[\[11\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-siglip2023-11)[\[12\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-milvus-mv-12)</sup>.
4.  **Мултимодален retrieval и reranking.** Изпълнява се комбинация от текстово и визуално търсене; кандидатите (абзаци, таблици, изображения/региони) се обединяват и се rerank-ват с по-„тежък" модел (кросс‑енкодер/LLM‑reranker) за повишаване на точността<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-cohere-rerank-13)</sup>.
5.  **Опаковане на контекста и генериране.** Избраните фрагменти се подават в LLM/VLM. Ако моделът е мултимодален (напр. GPT‑4V/4o), изображенията могат да се подават директно; при текстов LLM изображенията предварително се конвертират в подробни описания<sup>[\[14\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-gpt4v-14)[\[15\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-gpt4o-15)</sup>.
6.  **Трасиране и цитиране.** Отговорът се придружава от кликаеми цитати, обвързани не само с документа/страницата, но и с региона (координатите). Това повишава нивото на *grounding* и доверието на потребителите<sup>[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-visrag2024-2)</sup>.

## Оценка на качеството и метрики

Ефективността на MM‑RAG се оценява на нивата на извличане, retrieval и генериране.

- **Качество на извличане на визуалните данни.** Точност на OCR (WER/CER), качество на анализа на оформлението (mAP/Precision/Recall) върху набори DocLayNet/PubLayNet<sup>[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-doclaynet2022-8)[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-publaynet2019-7)</sup>.
- **Качество на retrieval.** Стандартни метрики за информационно търсене: Recall@K, Precision@K, MRR; за мултимодалност — поотделно по модалности и в обединение.
- **Качество на отговора (end‑to‑end).** Автоматични метрики *faithfulness*/*groundedness* и човешка оценка. На практика се прилагат фреймворките RAGAS/TruLens/DeepEval<sup>[\[16\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-ragas-16)</sup>.
- **Benchmark-и.**
  - **DocVQA**: въпроси към изображения на документи<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-docvqa2021-3)</sup>.
  - **TextVQA**: въпроси, изискващи четене на текст от изображения<sup>[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-textvqa2019-4)</sup>.
  - **InfographicVQA**: въпроси по инфографики<sup>[\[17\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-infographicvqa2021-17)</sup>.
  - **ChartQA**: въпроси по диаграми с изискване за логически разсъждения<sup>[\[18\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-chartqa2022-18)</sup>.
  - **MMDocRAG**: benchmark за мултимодален RAG при DocQA (многостранични документи, крос‑модални вериги от доказателства)<sup>[\[19\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-mmdocrag2025-19)</sup>.

## Сравнителна таблица на компонентите

| Компонент              | Варианти на реализация                                        | Предимства                                                                                        | Недостатъци / рискове                                                             | Кога да се избира                                                                   |
|------------------------|---------------------------------------------------------------|---------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------|-------------------------------------------------------------------------------------|
| OCR                    | Tesseract / PaddleOCR / облачни API                           | Локалните — поверителност и контрол; облачните — висока точност „от кутията".                     | Грешки при сложно оформление; API — цена и изисквания за съответствие.            | Поверителни данни — локален OCR; максимална точност — облак (ако е допустимо).      |
| Анализ на оформлението | Правила / ML‑модел (LayoutLM, LayoutParser)                   | Правилата са прости за еднотипни шаблони; ML — устойчив на разнообразие.                          | Правилата се чупят при нови оформления; ML изисква ресурси/данни.                 | Еднотипни бланки — правила; разнороден корпус — ML.                                 |
| Векторизация (изобр.)  | CLIP / SigLIP / OCR‑free описания (Donut/Pix2Struct)          | Обща латентна зона *text↔image* (CLIP/SigLIP); OCR‑free премахва зависимостта от OCR.             | CLIP не чете текст вътре в изображенията; описанията могат да изкривяват смисъла. | CLIP/SigLIP — основно мултимодално търсене; OCR‑free за сканове со сложно качество. |
| Сливане на резултати   | Сортиране по score / квоти по модалности / LLM‑reranker       | Reranker-ът значително повишава точността на избора на контекст.                                  | Увеличаване на закъснението и разходите.                                          | High‑precision сценарии; прости методи — за PoC.                                    |
| Хранилище/индекс       | Един вектор / мултивектор (text+image) / хибрид (BM25+vector) | Мултивекторът покрива различни представления на един обект; хибридът спасява ключови думи/кодове. | Усложняване на схемата и обновяванията.                                           | Производствени системи със смесени данни и строги SLA.                              |

Сравнение на ключови компоненти и подходи в MM‑RAG

## Практически бележки

- **Хибридно търсене** (BM25 + вектор) — де‑факто стандарт за повишаване на пълнотата и точността при специфични термини/кодове<sup>[\[20\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-weaviate-hybrid-20)</sup>.
- **Reranking** с кросс‑енкодер/LLM икономи токени, отхвърляйки „боклучните" кандидати преди генерирането<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-cohere-rerank-13)</sup>.
- **Съвременните VLM‑retriever-и** (напр. ColPali) показват предимства при визуално богати документи благодарение на директно индексиране на страници‑изображения<sup>[\[21\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_note-colpali2024-21)</sup>.

## Литература

- Lewis, P. et al. (2020). *Retrieval‑Augmented Generation for Knowledge‑Intensive NLP Tasks*. NeurIPS. arXiv:2005.11401.
- Gao, L. et al. (2023). *Precise Zero‑Shot Dense Retrieval without Relevance Labels (HyDE)*. ACL 2023. arXiv:2212.10496.
- Mei, L., Mo, S., Yang, Z., Chen, C. (2025). *A Survey of Multimodal Retrieval‑Augmented Generation*. arXiv:2504.08748.
- Abootorabi, M.M. et al. (2025). *Ask in Any Modality: A Comprehensive Survey on Multimodal Retrieval‑Augmented Generation*. Findings of ACL 2025. ACL Anthology.
- Yu, S. et al. (2024). *VisRAG: Vision‑based Retrieval‑augmented Generation on Multi‑modality Documents*. arXiv:2410.10594.
- Cho, J. et al. (2024). *M3DocRAG: Multi‑modal Retrieval is What You Need for Multi‑document QA*. arXiv:2411.04952.
- Tanaka, R. et al. (2025). *VDocRAG: Retrieval‑Augmented Generation over Visually‑Rich Documents*. CVPR 2025. arXiv:2504.09795 • CVF Open Access.
- Dong, K. et al. (2025). *MMDocRAG: Benchmarking Retrieval‑Augmented Multimodal Generation for Document Question Answering*. arXiv:2505.16470.
- Wasserman, N. et al. (2025). *REAL‑MM‑RAG: A Real‑World Multi‑Modal Retrieval Benchmark*. arXiv:2502.12342.
- Faysse, M. et al. (2024). *ColPali: Efficient Document Retrieval with Vision Language Models*. arXiv:2407.01449.
- Radford, A. et al. (2021). *Learning Transferable Visual Models From Natural Language Supervision (CLIP)*. ICML 2021. arXiv:2103.00020.
- Tschannen, M. et al. (2025). *SigLIP 2: Multilingual Vision‑Language Encoders with Improved Semantic Understanding, Localization, and Dense Features*. arXiv:2502.14786.
- Xu, Y. et al. (2020). *LayoutLM: Pre‑training of Text and Layout for Document Image Understanding*. KDD 2020. DOI • arXiv:1912.13318.
- Huang, Y. et al. (2022). *LayoutLMv3: Pre‑training for Document AI with Unified Text and Image Masking*. arXiv:2204.08387.
- Zhong, X., Tang, J., Jimeno‑Yepes, A.J. (2019). *PubLayNet: Largest Dataset Ever for Document Layout Analysis*. arXiv:1908.07836.
- Pfitzmann, B. et al. (2022). *DocLayNet: A Large Human‑Annotated Dataset for Document‑Layout Analysis*. arXiv:2206.01062.
- Kim, G. et al. (2021). *OCR‑free Document Understanding Transformer (Donut)*. arXiv:2111.15664.
- Shen, Z. et al. (2021). *LayoutParser: A Unified Toolkit for Deep Learning Based Document Image Analysis*. arXiv:2103.15348.
- Singh, A. et al. (2019). *Towards VQA Models That Can Read (TextVQA)*. CVPR 2019. arXiv:1904.08920.
- Mathew, M. et al. (2021/2022). *DocVQA / InfographicVQA: Datasets for VQA on Document Images and Infographics*. WACV 2021 / WACV 2022. CVF • arXiv:2104.12756.
- Masry, A. et al. (2022). *ChartQA: A Benchmark for Question Answering about Charts with Visual and Logical Reasoning*. Findings of ACL 2022. ACL • arXiv:2203.10244.
- Liu, F. et al. (2022). *DePlot: One‑shot Visual Language Reasoning by Plot‑to‑Table Translation*. arXiv:2212.10505.
- Wang, P. et al. (2024). *Qwen2‑VL: Enhancing Vision‑Language Model's Capabilities in OCR and Chart QA*. arXiv:2409.12191.
- Es, S. et al. (2023). *RAGAS: Automated Evaluation of Retrieval‑Augmented Generation*. arXiv:2309.15217.

## Вижте също

- Retrieval-Augmented Generation
- Векторна база данни
- Embedding
- GraphRAG

## Бележки

1.  <span id="cite_note-lewis2020-1">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-lewis2020_1-0) Lewis, P., Perez, E., et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. NeurIPS. <a href="https://arxiv.org/abs/2005.11401" class="external text" rel="nofollow">arXiv:2005.11401</a>.</span>
2.  <span id="cite_note-visrag2024-2">↑ <sup>[2.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-visrag2024_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-visrag2024_2-1)</sup> Yu, S. et al. (2024). *VisRAG: Vision-based Retrieval-Augmented Generation on Multi-modality Documents*. <a href="https://arxiv.org/abs/2407.06437" class="external text" rel="nofollow">arXiv:2407.06437</a>.</span>
3.  <span id="cite_note-docvqa2021-3">↑ <sup>[3.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-docvqa2021_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-docvqa2021_3-1)</sup> Mathew, M. et al. (2021). *DocVQA: A Dataset for VQA on Document Images*. WACV. <a href="https://arxiv.org/abs/2007.00398" class="external text" rel="nofollow">arXiv:2007.00398</a>.</span>
4.  <span id="cite_note-textvqa2019-4">↑ <sup>[4.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-textvqa2019_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-textvqa2019_4-1)</sup> Singh, A. et al. (2019). *TextVQA: Towards VQA Models That Can Read*. CVPR. <a href="https://arxiv.org/abs/1904.08920" class="external text" rel="nofollow">arXiv:1904.08920</a>.</span>
5.  <span id="cite_note-layoutlm2020-5">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-layoutlm2020_5-0) Xu, Y. et al. (2020). *LayoutLM: Pre-training of Text and Layout for Document Image Understanding*. KDD. <a href="https://dl.acm.org/doi/10.1145/3394486.3403172" class="external text" rel="nofollow">DOI</a>.</span>
6.  <span id="cite_note-clip2021-6">↑ <sup>[6.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-clip2021_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-clip2021_6-1)</sup> Radford, A. et al. (2021). *Learning Transferable Visual Models From Natural Language Supervision (CLIP)*. ICML. <a href="https://arxiv.org/abs/2103.00020" class="external text" rel="nofollow">arXiv:2103.00020</a>.</span>
7.  <span id="cite_note-publaynet2019-7">↑ <sup>[7.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-publaynet2019_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-publaynet2019_7-1)</sup> Zhong, X., Tang, J., Yepes, A. J. (2019). *PubLayNet: Largest Dataset for Document Layout Analysis*. ICDAR. <a href="https://arxiv.org/abs/1908.07836" class="external text" rel="nofollow">arXiv:1908.07836</a>.</span>
8.  <span id="cite_note-doclaynet2022-8">↑ <sup>[8.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-doclaynet2022_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-doclaynet2022_8-1)</sup> Pfitzmann, B. et al. (2022). *DocLayNet: A Large Human‑Annotated Dataset for Document‑Layout Analysis*. KDD. <a href="https://dl.acm.org/doi/10.1145/3534678.3539043" class="external text" rel="nofollow">DOI</a> / <a href="https://arxiv.org/abs/2206.01062" class="external text" rel="nofollow">arXiv:2206.01062</a>.</span>
9.  <span id="cite_note-layoutparser2021-9">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-layoutparser2021_9-0) Shen, Z. et al. (2021). *LayoutParser: A Unified Toolkit for DL‑based Document Image Analysis*. <a href="https://arxiv.org/abs/2103.15348" class="external text" rel="nofollow">arXiv:2103.15348</a>.</span>
10. <span id="cite_note-donut2021-10">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-donut2021_10-0) Kim, G. et al. (2021). *Donut: OCR‑free Document Understanding Transformer*. <a href="https://arxiv.org/abs/2111.15664" class="external text" rel="nofollow">arXiv:2111.15664</a>.</span>
11. <span id="cite_note-siglip2023-11">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-siglip2023_11-0) Zhai, X. et al. (2023). *Sigmoid Loss for Language‑Image Pre‑Training (SigLIP)*. ICCV. <a href="https://arxiv.org/abs/2303.15343" class="external text" rel="nofollow">arXiv:2303.15343</a>.</span>
12. <span id="cite_note-milvus-mv-12">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-milvus-mv_12-0) Milvus Docs. *Multi‑Vector Hybrid Search*. <a href="https://milvus.io/docs/multi-vector-search.md" class="external text" rel="nofollow">milvus.io/docs/multi-vector-search.md</a>.</span>
13. <span id="cite_note-cohere-rerank-13">↑ <sup>[13.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-cohere-rerank_13-0)</sup> <sup>[13.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-cohere-rerank_13-1)</sup> Cohere Docs. *Rerank API*. <a href="https://docs.cohere.com/reference/rerank" class="external text" rel="nofollow">docs.cohere.com/reference/rerank</a>.</span>
14. <span id="cite_note-gpt4v-14">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-gpt4v_14-0) OpenAI. *GPT‑4V(ision) System Card*. (2023). <a href="https://cdn.openai.com/papers/GPTV_System_Card.pdf" class="external text" rel="nofollow">PDF</a>.</span>
15. <span id="cite_note-gpt4o-15">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-gpt4o_15-0) OpenAI. *Hello GPT‑4o*. (2024). <a href="https://openai.com/index/hello-gpt-4o/" class="external text" rel="nofollow">openai.com/index/hello-gpt-4o/</a>.</span>
16. <span id="cite_note-ragas-16">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-ragas_16-0) Es, S. et al. (2023). *RAGAS: Automated Evaluation of Retrieval Augmented Generation*. <a href="https://arxiv.org/abs/2309.15217" class="external text" rel="nofollow">arXiv:2309.15217</a>.</span>
17. <span id="cite_note-infographicvqa2021-17">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-infographicvqa2021_17-0) Mathew, M. et al. (2021). *InfographicVQA: Understanding Infographics via Question Answering*. ICDAR. <a href="https://arxiv.org/abs/2104.12756" class="external text" rel="nofollow">arXiv:2104.12756</a>.</span>
18. <span id="cite_note-chartqa2022-18">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-chartqa2022_18-0) Masry, A. et al. (2022). *ChartQA: A Benchmark for Question Answering about Charts*. ACL (Findings). <a href="https://arxiv.org/abs/2103.16435" class="external text" rel="nofollow">arXiv:2103.16435</a>.</span>
19. <span id="cite_note-mmdocrag2025-19">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-mmdocrag2025_19-0) Dong, K. et al. (2025). *Benchmarking Retrieval‑Augmented Multimodal Generation for Document QA (MMDocRAG)*. <a href="https://arxiv.org/abs/2505.16470" class="external text" rel="nofollow">arXiv:2505.16470</a>.</span>
20. <span id="cite_note-weaviate-hybrid-20">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-weaviate-hybrid_20-0) Weaviate Docs. *Hybrid search*. <a href="https://docs.weaviate.io/weaviate/concepts/search/hybrid-search" class="external text" rel="nofollow">docs.weaviate.io/.../hybrid-search</a>.</span>
21. <span id="cite_note-colpali2024-21">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(BG)#cite_ref-colpali2024_21-0) Faysse, M. et al. (2024). *ColPali: Efficient Document Retrieval with Vision‑Language Models*. <a href="https://arxiv.org/abs/2407.01449" class="external text" rel="nofollow">arXiv:2407.01449</a>.</span>