---
title: "MM-RAG (Multimodal RAG) (RO)"
source: "https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)"
wiki: "systems-analysis.info/int"
article: "MM-RAG_(Multimodal_RAG)_(RO)"
language: "ro"
categories:
  - "Category:Large language models"
  - "Category:Prompt engineering"
  - "Category:Romanian"
revision_id: 4057
wiki_created_at: 2026-09-06T23:29:53Z
wiki_modified_at: 2026-09-06T23:29:53Z
downloaded_at: 2026-09-07T23:00:37Z
---

# MM-RAG (Multimodal RAG) (RO)

**MM-RAG** (engl. *Multimodal Retrieval-Augmented Generation*) — este o extensie a paradigmei clasice RAG, în care LLM utilizează pentru răspuns nu doar text, ci și date vizuale (imagini, scheme, tabele, grafice). Retrieval-ul multimodal permite găsirea și corelarea dovezilor în diverse reprezentări, reducând riscul halucinațiilor prin sprijinirea pe surse externe cu ancorare precisă la fragmente de pagini și regiuni (*bounding boxes*)<sup>[\[1\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-lewis2020-1)[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-visrag2024-2)</sup>.

MM-RAG este deosebit de util pentru documente în care o parte semnificativă a sensului este reprezentată în formă non-textuală (aspectul paginii, diagrame, structuri de tabele). În astfel de cazuri, RAG-ul textual clasic pierde adesea elemente importante de context<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-docvqa2021-3)[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-textvqa2019-4)</sup>.

## Contextul și problema rezolvată

RAG-ul clasic operează cu pasaje de text și nu percepe structurile vizuale (dispunerea elementelor, legendele figurilor, axele graficelor). MM-RAG acoperă aceste lacune: extrage elemente structurate (text, tabele, imagini cu coordonate), le indexează în spațiul vectorial și combină dovezi din diferite modalități<sup>[\[5\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-layoutlm2020-5)[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-clip2021-6)</sup>.

## Arhitectura MM-RAG

Conveiorul MM-RAG adaugă la RAG-ul clasic etape de procesare a datelor vizuale și de aliniere a modalităților: **ingestie → indexare → retrieval multimodal → fuziune și reranking → generare cu trasabilitate**.

1.  **Colectare și preprocesare (Ingestion).** La intrare sosesc PDF-uri/scanări/imagini. Se efectuează OCR și **analiza aspectului** paginii pentru delimitarea zonelor: paragrafe, titluri, tabele, imagini și coordonatele lor. Instrumente tipice — modele din familia LayoutLM și biblioteca LayoutParser; validarea și antrenarea se bazează adesea pe dataseturile PubLayNet și DocLayNet<sup>[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-publaynet2019-7)[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-doclaynet2022-8)[\[9\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-layoutparser2021-9)</sup>.
2.  **Segmentarea pe regiuni.** Se extrag obiecte vizuale (diagrame, tabele, ilustrații, legende). Pentru robustețe sporită se utilizează modele OCR‑free (de ex., Donut) sau pipeline-uri combinate OCR+VLM<sup>[\[10\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-donut2021-10)</sup>.
3.  **Indexare (Vector Index).** Chunk-urile de text și elementele vizuale (imagini sau descrierile lor) sunt transformate în reprezentări vectoriale și înregistrate în baza de date vectorială. Pentru spațiul unificat *text↔image* se utilizează CLIP sau SigLIP; pentru producție sunt convenabile indexurile multimodale/multivectoriale (un obiect — mai mulți vectori)<sup>[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-clip2021-6)[\[11\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-siglip2023-11)[\[12\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-milvus-mv-12)</sup>.
4.  **Retrieval multimodal și reranking.** Se realizează o combinație de căutare textuală și vizuală; candidații (paragrafe, tabele, imagini/regiuni) sunt uniți și rerankați de un model mai „greu" (cross-encoder/LLM-reranker) pentru creșterea preciziei<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-cohere-rerank-13)</sup>.
5.  **Ambalarea contextului și generarea.** Fragmentele selectate sunt transmise LLM/VLM. Dacă modelul este multimodal (de ex., GPT‑4V/4o), imaginile pot fi furnizate direct; în cazul unui LLM textual, imaginile sunt convertite în prealabil în descrieri detaliate<sup>[\[14\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-gpt4v-14)[\[15\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-gpt4o-15)</sup>.
6.  **Trasabilitate și citare.** Răspunsul este însoțit de citate clicabile cu ancorare nu doar la document/pagină, ci și la regiune (coordonate). Aceasta îmbunătățește nivelul de *grounding* și încrederea utilizatorilor<sup>[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-visrag2024-2)</sup>.

## Evaluarea calității și metricile

Eficiența MM‑RAG este evaluată la nivelurile de extracție, retrieval și generare.

- **Calitatea extracției datelor vizuale.** Precizia OCR (WER/CER), calitatea analizei aspectului (mAP/Precision/Recall) pe seturile DocLayNet/PubLayNet<sup>[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-doclaynet2022-8)[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-publaynet2019-7)</sup>.
- **Calitatea retrieval-ului.** Metrice standard de recuperare a informației: Recall@K, Precision@K, MRR; pentru multimodalitate — separat pe modalități și în combinație.
- **Calitatea răspunsului (end‑to‑end).** Metrice automate de *faithfulness*/*groundedness* și evaluare umană. În practică se utilizează framework-urile RAGAS/TruLens/DeepEval<sup>[\[16\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-ragas-16)</sup>.
- **Benchmark-uri.**
  - **DocVQA**: întrebări despre imagini de documente<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-docvqa2021-3)</sup>.
  - **TextVQA**: întrebări care necesită citirea textului din imagini<sup>[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-textvqa2019-4)</sup>.
  - **InfographicVQA**: întrebări despre infografice<sup>[\[17\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-infographicvqa2021-17)</sup>.
  - **ChartQA**: întrebări despre diagrame cu cerință de raționament logic<sup>[\[18\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-chartqa2022-18)</sup>.
  - **MMDocRAG**: benchmark de RAG multimodal pentru DocQA (documente cu mai multe pagini, lanțuri de dovezi cross-modale)<sup>[\[19\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-mmdocrag2025-19)</sup>.

## Tabel comparativ al componentelor

| Componentă            | Variante de implementare                                           | Avantaje                                                                                                  | Dezavantaje / riscuri                                                                 | Când să alegi                                                                            |
|-----------------------|--------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------|---------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------|
| OCR                   | Tesseract / PaddleOCR / API-uri cloud                              | Locale — confidențialitate și control; cloud — precizie ridicată „out of the box\\.                       | Erori pe aspecte complexe; API — cost și cerințe de conformitate.                     | Date private — OCR local; precizie maximă — cloud (dacă este permis).                    |
| Analiza aspectului    | Reguli / model ML (LayoutLM, LayoutParser)                         | Regulile sunt simple pentru șabloane uniforme; ML — robust la diversitate.                                | Regulile se defectează pe aspecte noi; ML necesită resurse/date.                      | Formulare uniforme — reguli; corpus eterogen — ML.                                       |
| Vectorizare (imagini) | CLIP / SigLIP / descrieri OCR‑free (Donut/Pix2Struct)              | Spațiu latent comun *text↔image* (CLIP/SigLIP); OCR‑free elimină dependența de OCR.                       | CLIP nu citește textul din interiorul imaginilor; descrierile pot distorsiona sensul. | CLIP/SigLIP — căutare multimodală de bază; OCR‑free pentru scanări de calitate complexă. |
| Fuziunea rezultatelor | Sortare după scor / cote pe modalități / LLM‑reranker              | Reranker-ul îmbunătățește semnificativ precizia selectării contextului.                                   | Creșterea latenței și a costului.                                                     | Scenarii de înaltă precizie; metode simple — pentru PoC.                                 |
| Stocare/index         | Un singur vector / multivector (text+image) / hibrid (BM25+vector) | Multivectorul acoperă reprezentări diferite ale aceluiași obiect; hibridul salvează cuvinte-cheie/coduri. | Complexitate sporită a schemei și actualizărilor.                                     | Sisteme de producție cu date mixte și SLA stricte.                                       |

Compararea componentelor și abordărilor cheie în MM‑RAG

## Observații practice

- **Căutarea hibridă** (BM25 + vector) — standard de facto pentru îmbunătățirea completitudinii și preciziei pe termeni/coduri specifice<sup>[\[20\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-weaviate-hybrid-20)</sup>.
- **Rerankingul** cu cross-encoder/LLM economisește tokeni, eliminând candidații „de calitate slabă\\ înainte de generare<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-cohere-rerank-13)</sup>.
- **Retriever-ele VLM moderne** (de ex., ColPali) demonstrează avantaje pe documente bogate vizual prin indexarea directă a paginilor ca imagini<sup>[\[21\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(RO)#cite_note-colpali2024-21)</sup>.

## Bibliografie

- 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.

## Vezi și

- Retrieval-Augmented Generation
- Bază de date vectorială
- Embedding
- GraphRAG

## Note

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