---
title: "MM-RAG (Multimodal RAG) (PL)"
source: "https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)"
wiki: "systems-analysis.info/int"
article: "MM-RAG_(Multimodal_RAG)_(PL)"
language: "pl"
categories:
  - "Category:Large language models"
  - "Category:Polish"
  - "Category:Prompt engineering"
revision_id: 4055
wiki_created_at: 2026-09-06T23:29:51Z
wiki_modified_at: 2026-09-06T23:29:51Z
downloaded_at: 2026-09-07T23:00:37Z
---

# MM-RAG (Multimodal RAG) (PL)

**MM-RAG** (ang. *Multimodal Retrieval-Augmented Generation*) — rozszerzenie klasycznego paradygmatu RAG, w którym LLM wykorzystują do odpowiedzi nie tylko tekst, lecz także dane wizualne (obrazy, schematy, tabele, wykresy). Multimodalny retrieval umożliwia znajdowanie i łączenie dowodów w różnych reprezentacjach, zmniejszając ryzyko halucynacji dzięki oparciu na zewnętrznych źródłach z precyzyjnym powiązaniem z fragmentami stron i obszarami (*bounding boxes*)<sup>[\[1\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-lewis2020-1)[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-visrag2024-2)</sup>.

MM-RAG jest szczególnie przydatny w przypadku dokumentów, w których znaczna część sensu zawarta jest w formie nietekstowej (układ strony, diagramy, struktury tabel). W takich przypadkach klasyczny tekstowy RAG często traci ważne elementy kontekstu<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-docvqa2021-3)[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-textvqa2019-4)</sup>.

## Kontekst i rozwiązywany problem

Klasyczny RAG operuje na fragmentach tekstowych i nie widzi struktur wizualnych (rozmieszczenie elementów, podpisy pod rysunkami, osie wykresów). MM-RAG wypełnia te luki: ekstrahuje elementy strukturalne (tekst, tabele, obrazy ze współrzędnymi), indeksuje je w przestrzeni wektorowej i łączy dowody z różnych modalności<sup>[\[5\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-layoutlm2020-5)[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-clip2021-6)</sup>.

## Architektura MM-RAG

Potok MM-RAG dodaje do klasycznego RAG etapy przetwarzania danych wizualnych i wyrównywania modalności: **ingest → indeksowanie → multimodalny retrieval → łączenie i reranking → generacja z śledzeniem**.

1.  **Zbieranie i preprocessing (Ingestion).** Na wejściu pojawiają się pliki PDF/skany/obrazy. Wykonywane jest OCR oraz **analiza układu** strony w celu wyodrębnienia stref: akapity, nagłówki, tabele, obrazy i ich współrzędne. Typowe narzędzia to modele z rodziny LayoutLM oraz biblioteki narzędziowe LayoutParser; walidacja i trenowanie często opierają się na datasetach PubLayNet i DocLayNet<sup>[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-publaynet2019-7)[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-doclaynet2022-8)[\[9\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-layoutparser2021-9)</sup>.
2.  **Segmentacja na regiony.** Ekstrahowane są obiekty wizualne (diagramy, tabele, ilustracje, podpisy). Dla zwiększonej odporności stosowane są modele OCR‑free (np. Donut) lub kombinowane pipeline'y OCR+VLM<sup>[\[10\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-donut2021-10)</sup>.
3.  **Indeksowanie (Vector Index).** Fragmenty tekstowe i elementy wizualne (obrazy lub ich opisy) przekształcane są w reprezentacje wektorowe i zapisywane w wektorowej bazie danych. Do ujednoliconej przestrzeni *text↔image* stosowane są CLIP lub SigLIP; w środowiskach produkcyjnych wygodne są multimodalne/multiwekotrowe indeksy (jeden obiekt — kilka wektorów)<sup>[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-clip2021-6)[\[11\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-siglip2023-11)[\[12\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-milvus-mv-12)</sup>.
4.  **Multimodalny retrieval i reranking.** Wykonywana jest kombinacja wyszukiwania tekstowego i wizualnego; kandydaci (akapity, tabele, obrazy/regiony) są łączeni i rerankingowani przez „cięższy" model (cross‑encoder/LLM‑reranker) w celu zwiększenia precyzji<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-cohere-rerank-13)</sup>.
5.  **Pakowanie kontekstu i generacja.** Wybrane fragmenty są podawane do LLM/VLM. Jeśli model jest multimodalny (np. GPT‑4V/4o), obrazy mogą być podawane bezpośrednio; w przypadku tekstowego LLM obrazy są wcześniej konwertowane na szczegółowe opisy<sup>[\[14\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-gpt4v-14)[\[15\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-gpt4o-15)</sup>.
6.  **Śledzenie i cytowanie.** Odpowiedź opatrzona jest klikalnymi cytowaniami powiązanymi nie tylko z dokumentem/stroną, lecz także z regionem (współrzędnymi). Zwiększa to poziom *grounding* i zaufanie użytkowników<sup>[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-visrag2024-2)</sup>.

## Ocena jakości i metryki

Efektywność MM‑RAG oceniana jest na poziomach ekstrakcji, retrievalu i generacji.

- **Jakość ekstrakcji danych wizualnych.** Dokładność OCR (WER/CER), jakość analizy układu (mAP/Precision/Recall) na zbiorach DocLayNet/PubLayNet<sup>[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-doclaynet2022-8)[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-publaynet2019-7)</sup>.
- **Jakość retrievalu.** Standardowe metryki IR: Recall@K, Precision@K, MRR; dla multimodalności — osobno według modalności i łącznie.
- **Jakość odpowiedzi (end‑to‑end).** Automatyczne metryki *faithfulness*/*groundedness* oraz ocena ludzka. W praktyce stosowane są frameworki RAGAS/TruLens/DeepEval<sup>[\[16\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-ragas-16)</sup>.
- **Benchmarki.**
  - **DocVQA**: pytania do obrazów dokumentów<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-docvqa2021-3)</sup>.
  - **TextVQA**: pytania wymagające odczytania tekstu na obrazach<sup>[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-textvqa2019-4)</sup>.
  - **InfographicVQA**: pytania dotyczące infografik<sup>[\[17\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-infographicvqa2021-17)</sup>.
  - **ChartQA**: pytania dotyczące diagramów wymagające rozumowania logicznego<sup>[\[18\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-chartqa2022-18)</sup>.
  - **MMDocRAG**: benchmark multimodalnego RAG dla DocQA (wielostronicowe dokumenty, krosmodalne łańcuchy dowodów)<sup>[\[19\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-mmdocrag2025-19)</sup>.

## Tabela porównawcza komponentów

| Komponent             | Warianty implementacji                                            | Zalety                                                                                                          | Wady / ryzyka                                                              | Kiedy wybierać                                                                           |
|-----------------------|-------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------|----------------------------------------------------------------------------|------------------------------------------------------------------------------------------|
| OCR                   | Tesseract / PaddleOCR / chmurowe API                              | Lokalne — prywatność i kontrola; chmurowe — wysoka dokładność „z pudełka".                                      | Błędy na złożonych układach; API — koszty i wymagania compliance.          | Dane prywatne — lokalny OCR; maksymalna dokładność — chmura (jeśli dopuszczalne).        |
| Analiza układu        | Reguły / model ML (LayoutLM, LayoutParser)                        | Reguły proste dla jednorodnych szablonów; ML — odporny na różnorodność.                                         | Reguły zawodzą na nowych układach; ML wymaga zasobów/danych.               | Jednorodne formularze — reguły; niejednorodny korpus — ML.                               |
| Wektoryzacja (obraz.) | CLIP / SigLIP / opisy OCR‑free (Donut/Pix2Struct)                 | Wspólna przestrzeń latentna *text↔image* (CLIP/SigLIP); OCR‑free eliminuje zależność od OCR.                    | CLIP nie odczytuje tekstu wewnątrz obrazów; opisy mogą zniekształcać sens. | CLIP/SigLIP — podstawowe wyszukiwanie multimodalne; OCR‑free dla skanów trudnej jakości. |
| Łączenie wyników      | Sortowanie według score / limity według modalności / LLM‑reranker | Reranker wyraźnie zwiększa precyzję doboru kontekstu.                                                           | Wzrost opóźnienia i kosztów.                                               | Scenariusze wymagające wysokiej precyzji; proste metody — dla PoC.                       |
| Magazyn/indeks        | Jeden wektor / multiwektor (text+image) / hybrydowy (BM25+vector) | Multiwektor pokrywa różne reprezentacje jednego obiektu; hybrydowy sprawdza się przy słowach kluczowych/kodach. | Komplikacja schematu i aktualizacji.                                       | Systemy produkcyjne ze mieszanymi danymi i rygorystycznym SLA.                           |

Porównanie kluczowych komponentów i podejść w MM‑RAG

## Uwagi praktyczne

- **Wyszukiwanie hybrydowe** (BM25 + wektor) — de facto standard dla zwiększenia kompletności i precyzji na specyficznych terminach/kodach<sup>[\[20\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-weaviate-hybrid-20)</sup>.
- **Reranking** cross‑encoderem/LLM oszczędza tokeny, odrzucając „śmieciowych" kandydatów przed generacją<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#cite_note-cohere-rerank-13)</sup>.
- **Nowoczesne retrievery VLM** (np. ColPali) wykazują przewagę na dokumentach bogatych wizualnie dzięki bezpośredniemu indeksowaniu stron jako obrazów<sup>[\[21\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(PL)#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.

## Zobacz też

- Retrieval-Augmented Generation
- Wektorowa baza danych
- Embedding
- GraphRAG

## Przypisy

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