---
title: "MM-RAG (Multimodal RAG) (IT)"
source: "https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)"
wiki: "systems-analysis.info/int"
article: "MM-RAG_(Multimodal_RAG)_(IT)"
language: "it"
categories:
  - "Category:Italian"
  - "Category:Large language models"
  - "Category:Prompt engineering"
revision_id: 4052
wiki_created_at: 2026-09-06T23:29:48Z
wiki_modified_at: 2026-09-06T23:29:48Z
downloaded_at: 2026-09-07T23:00:35Z
---

# MM-RAG (Multimodal RAG) (IT)

**MM-RAG** (ingl. *Multimodal Retrieval-Augmented Generation*) — è un'estensione del classico paradigma RAG, in cui i LLM utilizzano per rispondere non solo testo, ma anche dati visivi (immagini, schemi, tabelle, grafici). Il recupero multimodale consente di trovare e collegare prove in diverse rappresentazioni, riducendo il rischio di allucinazioni grazie all'ancoraggio a fonti esterne con preciso riferimento a frammenti di pagina e aree (*bounding boxes*)<sup>[\[1\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-lewis2020-1)[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-visrag2024-2)</sup>.

MM-RAG è particolarmente utile per i documenti in cui una parte significativa del significato è rappresentata in forma non testuale (layout di pagina, diagrammi, strutture di tabelle). In tali casi, il classico RAG testuale perde spesso elementi importanti del contesto<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-docvqa2021-3)[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-textvqa2019-4)</sup>.

## Contesto e problema affrontato

Il classico RAG opera su passaggi testuali e non percepisce le strutture visive (disposizione degli elementi, didascalie delle figure, assi dei grafici). MM-RAG colma queste lacune: estrae elementi strutturati (testo, tabelle, immagini con coordinate), li indicizza in uno spazio vettoriale e combina prove provenienti da diverse modalità<sup>[\[5\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-layoutlm2020-5)[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-clip2021-6)</sup>.

## Architettura di MM-RAG

La pipeline MM-RAG aggiunge al classico RAG fasi di elaborazione dei dati visivi e di allineamento delle modalità: **ingestione → indicizzazione → recupero multimodale → fusione e reranking → generazione con tracciabilità**.

1.  **Raccolta e preprocessamento (Ingestion).** In ingresso arrivano PDF/scansioni/immagini. Vengono eseguiti OCR e **analisi del layout** di pagina per individuare zone: paragrafi, intestazioni, tabelle, immagini e le loro coordinate. Strumenti tipici — modelli della famiglia LayoutLM e librerie strumentali LayoutParser; la validazione e l'addestramento si basano spesso sui dataset PubLayNet e DocLayNet<sup>[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-publaynet2019-7)[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-doclaynet2022-8)[\[9\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-layoutparser2021-9)</sup>.
2.  **Segmentazione in regioni.** Vengono estratti oggetti visivi (diagrammi, tabelle, illustrazioni, didascalie). Per una maggiore robustezza si utilizzano modelli OCR-free (es. Donut) o pipeline combinate OCR+VLM<sup>[\[10\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-donut2021-10)</sup>.
3.  **Indicizzazione (Vector Index).** I chunk testuali e gli elementi visivi (immagini o loro descrizioni) vengono trasformati in rappresentazioni vettoriali e inseriti in un database vettoriale. Per lo spazio unificato *text↔image* si utilizzano CLIP o SigLIP; per la produzione sono comodi gli indici multimodali/multivettoriali (un oggetto — più vettori)<sup>[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-clip2021-6)[\[11\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-siglip2023-11)[\[12\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-milvus-mv-12)</sup>.
4.  **Recupero multimodale e reranking.** Viene eseguita una combinazione di ricerca testuale e visiva; i candidati (paragrafi, tabelle, immagini/regioni) vengono uniti e riordinati da un modello più «pesante» (cross-encoder/LLM-reranker) per migliorare la precisione<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-cohere-rerank-13)</sup>.
5.  **Confezionamento del contesto e generazione.** I frammenti selezionati vengono forniti al LLM/VLM. Se il modello è multimodale (es. GPT-4V/4o), le immagini possono essere fornite direttamente; con un LLM testuale, le immagini vengono preventivamente convertite in descrizioni dettagliate<sup>[\[14\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-gpt4v-14)[\[15\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-gpt4o-15)</sup>.
6.  **Tracciabilità e citazione.** La risposta è accompagnata da citazioni cliccabili con riferimento non solo al documento/pagina, ma anche alla regione (coordinate). Questo aumenta il livello di *grounding* e la fiducia degli utenti<sup>[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-visrag2024-2)</sup>.

## Valutazione della qualità e metriche

L'efficacia di MM-RAG viene valutata a livello di estrazione, recupero e generazione.

- **Qualità dell'estrazione dei dati visivi.** Precisione dell'OCR (WER/CER), qualità dell'analisi del layout (mAP/Precision/Recall) sui dataset DocLayNet/PubLayNet<sup>[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-doclaynet2022-8)[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-publaynet2019-7)</sup>.
- **Qualità del recupero.** Metriche standard di recupero dell'informazione: Recall@K, Precision@K, MRR; per la multimodalità — separatamente per modalità e in combinazione.
- **Qualità della risposta (end-to-end).** Metriche automatiche di *faithfulness*/*groundedness* e valutazione umana. In pratica si utilizzano i framework RAGAS/TruLens/DeepEval<sup>[\[16\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-ragas-16)</sup>.
- **Benchmark.**
  - **DocVQA**: domande su immagini di documenti<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-docvqa2021-3)</sup>.
  - **TextVQA**: domande che richiedono la lettura di testo nelle immagini<sup>[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-textvqa2019-4)</sup>.
  - **InfographicVQA**: domande su infografiche<sup>[\[17\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-infographicvqa2021-17)</sup>.
  - **ChartQA**: domande su diagrammi con requisiti di ragionamento logico<sup>[\[18\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-chartqa2022-18)</sup>.
  - **MMDocRAG**: benchmark di RAG multimodale per DocQA (documenti multipagina, catene di prove cross-modali)<sup>[\[19\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-mmdocrag2025-19)</sup>.

## Tabella comparativa dei componenti

| Componente                 | Varianti di implementazione                                        | Pro                                                                                                       | Contro / rischi                                                                                       | Quando scegliere                                                                        |
|----------------------------|--------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------|-------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|
| OCR                        | Tesseract / PaddleOCR / API cloud                                  | Locali — privacy e controllo; cloud — alta precisione «out of the box».                                   | Errori su layout complessi; API — costo e requisiti di compliance.                                    | Dati privati — OCR locale; massima precisione — cloud (se consentito).                  |
| Analisi del layout         | Regole / Modello ML (LayoutLM, LayoutParser)                       | Le regole sono semplici per template uniformi; ML — robusto alla varietà.                                 | Le regole si rompono su nuovi layout; ML richiede risorse/dati.                                       | Moduli uniformi — regole; corpus eterogeneo — ML.                                       |
| Vettorizzazione (immagini) | CLIP / SigLIP / Descrizioni OCR-free (Donut/Pix2Struct)            | Spazio latente comune *text↔image* (CLIP/SigLIP); OCR-free elimina la dipendenza dall'OCR.                | CLIP non legge il testo all'interno delle immagini; le descrizioni possono distorcere il significato. | CLIP/SigLIP — ricerca multimodale di base; OCR-free per scansioni di qualità complessa. |
| Fusione dei risultati      | Ordinamento per score / quote per modalità / LLM-reranker          | Il reranker migliora notevolmente la precisione nella selezione del contesto.                             | Aumento della latenza e del costo.                                                                    | Scenari ad alta precisione; metodi semplici — per PoC.                                  |
| Archivio/indice            | Singolo vettore / multivettore (text+image) / ibrido (BM25+vector) | Il multivettore copre diverse rappresentazioni dello stesso oggetto; l'ibrido salva parole chiave/codici. | Complessità dello schema e degli aggiornamenti.                                                       | Sistemi di produzione con dati misti e SLA stringenti.                                  |

Confronto dei componenti e degli approcci chiave in MM-RAG

## Note pratiche

- **Ricerca ibrida** (BM25 + vettore) — standard de facto per migliorare completezza e precisione su termini/codici specifici<sup>[\[20\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-weaviate-hybrid-20)</sup>.
- **Reranking** con cross-encoder/LLM consente di risparmiare token, scartando i candidati «di scarsa qualità» prima della generazione<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-cohere-rerank-13)</sup>.
- **I moderni retriever VLM** (es. ColPali) mostrano vantaggi su documenti visivamente ricchi grazie all'indicizzazione diretta delle pagine come immagini<sup>[\[21\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(IT)#cite_note-colpali2024-21)</sup>.

## Vedi anche

- Retrieval-Augmented Generation
- Database vettoriale
- Embedding
- GraphRAG

## Letteratura

- 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.

## Note

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