---
title: "MM-RAG (Multimodal RAG) (SV)"
source: "https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)"
wiki: "systems-analysis.info/int"
article: "MM-RAG_(Multimodal_RAG)_(SV)"
language: "sv"
categories:
  - "Category:Large language models"
  - "Category:Prompt engineering"
  - "Category:Swedish"
revision_id: 4058
wiki_created_at: 2026-09-06T23:29:54Z
wiki_modified_at: 2026-09-06T23:29:54Z
downloaded_at: 2026-09-07T23:00:38Z
---

# MM-RAG (Multimodal RAG) (SV)

**MM-RAG** (eng. *Multimodal Retrieval-Augmented Generation*) — är en utvidgning av det klassiska RAG-paradigmet, där LLM använder inte bara text utan även visuella data (bilder, scheman, tabeller, diagram) för att besvara frågor. Multimodal retrieval möjliggör sökning och sammankoppling av bevis i olika representationer, vilket minskar risken för hallucinationer genom att förlita sig på externa källor med exakt koppling till sidfragment och regioner (*bounding boxes*)<sup>[\[1\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-lewis2020-1)[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-visrag2024-2)</sup>.

MM-RAG är särskilt användbart för dokument där en väsentlig del av innebörden presenteras i icke-textform (sidlayout, diagram, tabellstrukturer). I sådana fall förlorar klassisk text-RAG ofta viktiga kontextelement<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-docvqa2021-3)[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-textvqa2019-4)</sup>.

## Kontext och det problem som löses

Klassisk RAG arbetar med textpassager och ser inte visuella strukturer (elementplacering, bildtexter, diagramaxlar). MM-RAG täpper till dessa luckor: extraherar strukturerade element (text, tabeller, bilder med koordinater), indexerar dem i ett vektorutrymme och kombinerar bevis från olika modaliteter<sup>[\[5\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-layoutlm2020-5)[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-clip2021-6)</sup>.

## Arkitektur för MM-RAG

MM-RAG-pipelinen tillfogar steg för bearbetning av visuella data och modalitetsjustering till klassisk RAG: **inläsning → indexering → multimodal retrieval → sammanslagning och omrankning → generering med spårning**.

1.  **Insamling och förbehandling (Ingestion).** Indata är PDF-filer/skanningar/bilder. OCR utförs samt **layoutanalys** av sidan för att identifiera zoner: stycken, rubriker, tabeller, bilder och deras koordinater. Typiska verktyg är modeller ur LayoutLM-familjen och biblioteket LayoutParser; validering och träning stöder sig ofta på dataseten PubLayNet och DocLayNet<sup>[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-publaynet2019-7)[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-doclaynet2022-8)[\[9\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-layoutparser2021-9)</sup>.
2.  **Segmentering i regioner.** Visuella objekt extraheras (diagram, tabeller, illustrationer, bildtexter). För ökad robusthet används OCR-fria modeller (t.ex. Donut) eller kombinerade OCR+VLM-pipelines<sup>[\[10\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-donut2021-10)</sup>.
3.  **Indexering (Vector Index).** Textchunkar och visuella element (bilder eller deras beskrivningar) omvandlas till vektorrepresentationer och läggs in i en vektordatabas. För ett kombinerat *text↔image*-utrymme används CLIP eller SigLIP; för produktion är multimodala/multivektorindex praktiska (ett objekt — flera vektorer)<sup>[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-clip2021-6)[\[11\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-siglip2023-11)[\[12\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-milvus-mv-12)</sup>.
4.  **Multimodal retrieval och omrankning.** En kombination av text- och visuell sökning utförs; kandidater (stycken, tabeller, bilder/regioner) slås samman och omrankas med en mer kapabel modell (kors-enkoder/LLM-reranker) för ökad precision<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-cohere-rerank-13)</sup>.
5.  **Kontextpaketering och generering.** Utvalda fragment matas in i LLM/VLM. Om modellen är multimodal (t.ex. GPT-4V/4o) kan bilder skickas direkt; vid text-LLM konverteras bilder i förväg till detaljerade beskrivningar<sup>[\[14\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-gpt4v-14)[\[15\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-gpt4o-15)</sup>.
6.  **Spårning och citering.** Svaret åtföljs av klickbara citat kopplade inte bara till dokument/sida utan även till region (koordinater). Detta höjer nivån av *grounding* och användarnas förtroende<sup>[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-visrag2024-2)</sup>.

## Kvalitetsutvärdering och mätvärden

Effektiviteten hos MM-RAG utvärderas på nivåerna för extraktion, retrieval och generering.

- **Kvalitet på visuell dataextraktion.** OCR-precision (WER/CER), kvalitet på layoutanalys (mAP/Precision/Recall) på DocLayNet/PubLayNet-dataset<sup>[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-doclaynet2022-8)[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-publaynet2019-7)</sup>.
- **Retrieval-kvalitet.** Standardmätvärden inom informationssökning: Recall@K, Precision@K, MRR; för multimodalitet — separat per modalitet och i kombination.
- **Svarskvalitet (end-to-end).** Automatiserade mätvärden för *faithfulness*/*groundedness* och mänsklig utvärdering. I praktiken används ramverken RAGAS/TruLens/DeepEval<sup>[\[16\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-ragas-16)</sup>.
- **Benchmark-dataset.**
  - **DocVQA**: frågor om dokumentbilder<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-docvqa2021-3)</sup>.
  - **TextVQA**: frågor som kräver avläsning av text i bilder<sup>[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-textvqa2019-4)</sup>.
  - **InfographicVQA**: frågor om infografik<sup>[\[17\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-infographicvqa2021-17)</sup>.
  - **ChartQA**: frågor om diagram med krav på logiskt resonemang<sup>[\[18\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-chartqa2022-18)</sup>.
  - **MMDocRAG**: benchmark för multimodal RAG inom DocQA (flersidiga dokument, korsmodala bevenskedjor)<sup>[\[19\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-mmdocrag2025-19)</sup>.

## Jämförelsetabell över komponenter

| Komponent                  | Implementeringsalternativ                                       | Fördelar                                                                                  | Nackdelar / risker                                                         | När ska man välja                                                                              |
|----------------------------|-----------------------------------------------------------------|-------------------------------------------------------------------------------------------|----------------------------------------------------------------------------|------------------------------------------------------------------------------------------------|
| OCR                        | Tesseract / PaddleOCR / molnbaserade API                        | Lokala — integritet och kontroll; molnbaserade — hög precision direkt ur lådan.           | Fel vid komplex layout; API — kostnad och krav på regelefterlevnad.        | Privata data — lokal OCR; maximal precision — molnet (om tillåtet).                            |
| Layoutanalys               | Regler / ML-modell (LayoutLM, LayoutParser)                     | Regler är enkla för enhetliga mallar; ML — robust mot variation.                          | Regler brister vid nya layouter; ML kräver resurser/data.                  | Enhetliga formulär — regler; heterogent corpus — ML.                                           |
| Vektorisering (bild.)      | CLIP / SigLIP / OCR-fria beskrivningar (Donut/Pix2Struct)       | Gemensamt latent utrymme *text↔image* (CLIP/SigLIP); OCR-fritt eliminerar OCR-beroendet.  | CLIP läser inte text inuti bilder; beskrivningar kan förvanska innebörden. | CLIP/SigLIP — grundläggande multimodal sökning; OCR-fritt för skanningar med komplex kvalitet. |
| Sammanslagning av resultat | Sortering efter poäng / kvoter per modalitet / LLM-reranker     | Omrankning förbättrar märkbart precisionen i kontextval.                                  | Ökad latens och kostnad.                                                   | High-precision-scenarier; enkla metoder — för PoC.                                             |
| Lagring/index              | Enskild vektor / multivektor (text+bild) / hybrid (BM25+vektor) | Multivektor täcker olika representationer av samma objekt; hybrid räddar nyckelord/koder. | Ökad komplexitet i schema och uppdateringar.                               | Produktionssystem med blandade data och strikta SLA.                                           |

Jämförelse av nyckelkomponenter och metoder inom MM-RAG

## Praktiska anmärkningar

- **Hybridsökning** (BM25 + vektor) — de facto-standard för att förbättra täckning och precision vid specifika termer/koder<sup>[\[20\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-weaviate-hybrid-20)</sup>.
- **Omrankning** med kors-enkoder/LLM sparar tokens genom att filtrera bort irrelevanta kandidater före generering<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-cohere-rerank-13)</sup>.
- **Moderna VLM-retrievers** (t.ex. ColPali) visar fördelar på visuellt rika dokument tack vare direkt indexering av sidor som bilder<sup>[\[21\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(SV)#cite_note-colpali2024-21)</sup>.

## Litteratur

- 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.

## Se även

- Retrieval-Augmented Generation
- Vektordatabas
- Embedding
- GraphRAG

## Noter

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