---
title: "MM-RAG (Multimodal RAG) (CS)"
source: "https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)"
wiki: "systems-analysis.info/int"
article: "MM-RAG_(Multimodal_RAG)_(CS)"
language: "cs"
categories:
  - "Category:Czech"
  - "Category:Large language models"
  - "Category:Prompt engineering"
revision_id: 4043
wiki_created_at: 2026-09-06T23:29:40Z
wiki_modified_at: 2026-09-06T23:29:40Z
downloaded_at: 2026-09-07T23:00:31Z
---

# MM-RAG (Multimodal RAG) (CS)

**MM-RAG** (angl. *Multimodal Retrieval-Augmented Generation*) — je rozšíření klasické paradigmy RAG, ve kterém LLM využívají pro odpovědi nejen text, ale i vizuální data (obrázky, schémata, tabulky, grafy). Multimodální retrieval umožňuje nacházet a propojovat důkazy v různých reprezentacích, čímž snižuje riziko halucinací díky opoře o externí zdroje s přesným odkazem na fragmenty stránek a oblasti (*bounding boxes*)<sup>[\[1\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-lewis2020-1)[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-visrag2024-2)</sup>.

MM-RAG je zvláště užitečný pro dokumenty, kde podstatná část významu je vyjádřena v netextové podobě (rozvržení stránky, diagramy, struktury tabulek). V takových případech klasický textový RAG často ztrácí důležité prvky kontextu<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-docvqa2021-3)[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-textvqa2019-4)</sup>.

## Kontext a řešený problém

Klasický RAG pracuje s textovými pasážemi a nevidí vizuální struktury (rozmístění prvků, popisky obrázků, osy grafů). MM-RAG tyto mezery uzavírá: extrahuje strukturované prvky (text, tabulky, obrázky se souřadnicemi), indexuje je do vektorového prostoru a kombinuje důkazy z různých modalit<sup>[\[5\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-layoutlm2020-5)[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-clip2021-6)</sup>.

## Architektura MM-RAG

Konvejr MM-RAG přidává ke klasickému RAG fáze zpracování vizuálních dat a zarovnání modalit: **ingest → indexování → multimodální retrieval → slučování a reranking → generování s trasováním**.

1.  **Sběr a předzpracování (Ingestion).** Na vstup přicházejí PDF/skeny/obrázky. Provádí se OCR a **analýza rozvržení** stránky pro vymezení zón: odstavce, nadpisy, tabulky, obrázky a jejich souřadnice. Typické nástroje jsou modely rodiny LayoutLM a nástrojové knihovny LayoutParser; validace a trénování se často opírají o datasety PubLayNet a DocLayNet<sup>[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-publaynet2019-7)[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-doclaynet2022-8)[\[9\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-layoutparser2021-9)</sup>.
2.  **Segmentace na regiony.** Extrahují se vizuální objekty (diagramy, tabulky, ilustrace, popisky). Pro vyšší odolnost se používají OCR‑free modely (např. Donut) nebo kombinované pipeliny OCR+VLM<sup>[\[10\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-donut2021-10)</sup>.
3.  **Indexování (Vector Index).** Textové chunky a vizuální prvky (obrázky nebo jejich popisy) se převádějí na vektorové reprezentace a ukládají do vektorové databáze. Pro sjednocený prostor *text↔image* se používají CLIP nebo SigLIP; pro produkci jsou vhodné multimodální/multivektorové indexy (jeden objekt — více vektorů)<sup>[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-clip2021-6)[\[11\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-siglip2023-11)[\[12\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-milvus-mv-12)</sup>.
4.  **Multimodální retrieval a reranking.** Provádí se kombinace textového a vizuálního vyhledávání; kandidáti (odstavce, tabulky, obrázky/regiony) jsou sloučeni a rerankováni „těžším" modelem (cross‑encoder/LLM‑reranker) pro zvýšení přesnosti<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-cohere-rerank-13)</sup>.
5.  **Zabalení kontextu a generování.** Vybrané fragmenty jsou předány do LLM/VLM. Pokud je model multimodální (např. GPT‑4V/4o), obrázky mohou být předány přímo; při textovém LLM jsou obrázky předem převedeny na podrobné popisy<sup>[\[14\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-gpt4v-14)[\[15\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-gpt4o-15)</sup>.
6.  **Trasování a citování.** Odpověď je doprovázena klikatelnými citacemi s odkazem nejen na dokument/stránku, ale i na region (souřadnice). To zvyšuje úroveň *grounding* a důvěru uživatelů<sup>[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-visrag2024-2)</sup>.

## Hodnocení kvality a metriky

Efektivita MM‑RAG se hodnotí na úrovních extrakce, retrievalu a generování.

- **Kvalita extrakce vizuálních dat.** Přesnost OCR (WER/CER), kvalita analýzy rozvržení (mAP/Precision/Recall) na sadách DocLayNet/PubLayNet<sup>[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-doclaynet2022-8)[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-publaynet2019-7)</sup>.
- **Kvalita retrievalu.** Standardní metriky informačního vyhledávání: Recall@K, Precision@K, MRR; pro multimodalitu — zvlášť podle modalit a v jejich souhrnu.
- **Kvalita odpovědi (end‑to‑end).** Automatické metriky *faithfulness*/*groundedness* a lidské hodnocení. V praxi se používají frameworky RAGAS/TruLens/DeepEval<sup>[\[16\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-ragas-16)</sup>.
- **Benchmarky.**
  - **DocVQA**: otázky k obrázkům dokumentů<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-docvqa2021-3)</sup>.
  - **TextVQA**: otázky vyžadující čtení textu na obrázcích<sup>[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-textvqa2019-4)</sup>.
  - **InfographicVQA**: otázky k infografikám<sup>[\[17\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-infographicvqa2021-17)</sup>.
  - **ChartQA**: otázky k diagramům s požadavkem logického uvažování<sup>[\[18\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-chartqa2022-18)</sup>.
  - **MMDocRAG**: benchmark multimodálního RAG pro DocQA (vícestránkové dokumenty, cross‑modální řetězce důkazů)<sup>[\[19\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-mmdocrag2025-19)</sup>.

## Srovnávací tabulka komponent

| Komponenta         | Varianty implementace                                            | Výhody                                                                                          | Nevýhody / rizika                                                     | Kdy volit                                                                            |
|--------------------|------------------------------------------------------------------|-------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------|--------------------------------------------------------------------------------------|
| OCR                | Tesseract / PaddleOCR / cloudová API                             | Lokální — soukromí a kontrola; cloudová — vysoká přesnost „z krabice".                          | Chyby na složitém rozvržení; API — náklady a požadavky na compliance. | Soukromá data — lokální OCR; maximální přesnost — cloud (pokud je přípustné).        |
| Analýza rozvržení  | Pravidla / ML‑model (LayoutLM, LayoutParser)                     | Pravidla jsou jednoduchá pro jednotné šablony; ML — odolný vůči různorodosti.                   | Pravidla selhávají na nových rozvrzeních; ML vyžaduje zdroje/data.    | Jednotné formuláře — pravidla; heterogenní korpus — ML.                              |
| Vektorizace (obr.) | CLIP / SigLIP / OCR‑free popisy (Donut/Pix2Struct)               | Společný latentní prostor *text↔image* (CLIP/SigLIP); OCR‑free odstraňuje závislost na OCR.     | CLIP nečte text uvnitř obrázků; popisy mohou zkreslovat smysl.        | CLIP/SigLIP — základní multimodální vyhledávání; OCR‑free pro skeny složité kvality. |
| Slučování výsledků | Řazení podle skóre / kvóty podle modalit / LLM‑reranker          | Reranker výrazně zvyšuje přesnost výběru kontextu.                                              | Nárůst zpoždění a nákladů.                                            | High‑precision scénáře; jednoduché metody — pro PoC.                                 |
| Úložiště/index     | Jeden vektor / multivektor (text+image) / hybridní (BM25+vector) | Multivektor pokrývá různé reprezentace jednoho objektu; hybridní zachraňuje klíčová slova/kódy. | Komplikace schématu a aktualizací.                                    | Produkční systémy se smíšenými daty a přísnými SLA.                                  |

Srovnání klíčových komponent a přístupů v MM‑RAG

## Praktické poznámky

- **Hybridní vyhledávání** (BM25 + vektor) — de‑facto standard pro zvýšení úplnosti a přesnosti u specifických termínů/kódů<sup>[\[20\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-weaviate-hybrid-20)</sup>.
- **Reranking** cross‑encoderem/LLM šetří tokeny tím, že před generováním odstraňuje „nepotřebné" kandidáty<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-cohere-rerank-13)</sup>.
- **Moderní VLM‑retrievery** (např. ColPali) vykazují výhody na vizuálně bohatých dokumentech díky přímé indexaci stránek jako obrázků<sup>[\[21\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#cite_note-colpali2024-21)</sup>.

## Literatura

- 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.

## Viz také

- Retrieval-Augmented Generation
- Vektorová databáze
- Embedding
- GraphRAG

## Poznámky

1.  <span id="cite_note-lewis2020-1">[↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#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)_(CS)#cite_ref-visrag2024_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#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)_(CS)#cite_ref-docvqa2021_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#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)_(CS)#cite_ref-textvqa2019_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#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)_(CS)#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)_(CS)#cite_ref-clip2021_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#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)_(CS)#cite_ref-publaynet2019_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#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)_(CS)#cite_ref-doclaynet2022_8-0)</sup> <sup>[8.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#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)_(CS)#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)_(CS)#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)_(CS)#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)_(CS)#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)_(CS)#cite_ref-cohere-rerank_13-0)</sup> <sup>[13.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(CS)#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)_(CS)#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)_(CS)#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)_(CS)#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)_(CS)#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)_(CS)#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)_(CS)#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)_(CS)#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)_(CS)#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>