--- title: "MM-RAG (Multimodal RAG) (TH)" source: "https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)" wiki: "systems-analysis.info/int" article: "MM-RAG_(Multimodal_RAG)_(TH)" language: "th" categories: - "Category:Large language models" - "Category:Prompt engineering" - "Category:Thai" revision_id: 4059 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) (TH) **MM-RAG** (อังกฤษ: *Multimodal Retrieval-Augmented Generation*) — คือการขยายกระบวนทัศน์ RAG แบบดั้งเดิม โดยที่ LLM ใช้ไม่เพียงแค่ข้อความในการตอบคำถาม แต่ยังใช้ข้อมูลเชิงภาพด้วย (รูปภาพ แผนภาพ ตาราง กราฟ) การค้นคืนแบบมัลติโมดัลช่วยให้สามารถค้นหาและเชื่อมโยงหลักฐานในรูปแบบต่าง ๆ ได้ ลดความเสี่ยงของการเกิดภาพหลอนโดยอาศัยแหล่งข้อมูลภายนอกที่มีการอ้างอิงแม่นยำถึงส่วนของหน้าและพื้นที่ (*bounding boxes*)^{[\[1\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-lewis2020-1)[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-visrag2024-2)}. MM-RAG มีประโยชน์เป็นพิเศษสำหรับเอกสารที่ส่วนสำคัญของความหมายถูกนำเสนอในรูปแบบที่ไม่ใช่ข้อความ (โครงร่างหน้า แผนภาพ โครงสร้างตาราง) ในกรณีเช่นนี้ RAG แบบข้อความดั้งเดิมมักสูญเสียองค์ประกอบบริบทที่สำคัญไป^{[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-docvqa2021-3)[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-textvqa2019-4)}. ## บริบทและปัญหาที่แก้ไข RAG แบบดั้งเดิมทำงานกับข้อความและไม่สามารถมองเห็นโครงสร้างเชิงภาพได้ (การจัดวางองค์ประกอบ คำอธิบายรูป แกนกราฟ) MM-RAG ปิดช่องว่างเหล่านี้: ดึงองค์ประกอบที่มีโครงสร้าง (ข้อความ ตาราง รูปภาพพร้อมพิกัด) จัดทำดัชนีในปริภูมิเวกเตอร์ และรวมหลักฐานจากโมดาลิตีต่าง ๆ^{[\[5\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-layoutlm2020-5)[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-clip2021-6)}. ## สถาปัตยกรรมของ MM-RAG ไปป์ไลน์ MM-RAG เพิ่มขั้นตอนการประมวลผลข้อมูลเชิงภาพและการจัดแนวโมดาลิตีให้กับ RAG แบบดั้งเดิม ได้แก่: **การนำเข้า → การจัดทำดัชนี → การค้นคืนมัลติโมดัล → การรวมและการจัดอันดับใหม่ → การสร้างข้อความพร้อมการติดตาม**. 1. **การรวบรวมและการประมวลผลเบื้องต้น (Ingestion).** ข้อมูลนำเข้าคือ PDF/สแกน/รูปภาพ ดำเนินการ OCR และ **การวิเคราะห์โครงร่าง** หน้าเพื่อแบ่งโซน ได้แก่ ย่อหน้า หัวเรื่อง ตาราง รูปภาพและพิกัดของสิ่งเหล่านี้ เครื่องมือทั่วไปได้แก่โมเดลในตระกูล LayoutLM และไลบรารีเครื่องมือ LayoutParser; การตรวจสอบและการฝึกอบรมมักอาศัย dataset PubLayNet และ DocLayNet^{[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-publaynet2019-7)[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-doclaynet2022-8)[\[9\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-layoutparser2021-9)}. 2. **การแบ่งส่วนเป็นภูมิภาค.** ดึงวัตถุเชิงภาพออกมา (แผนภาพ ตาราง ภาพประกอบ คำอธิบายภาพ) เพื่อความทนทานสูงขึ้นจึงใช้โมเดล OCR-free (เช่น Donut) หรือไปป์ไลน์แบบผสม OCR+VLM^{[\[10\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-donut2021-10)}. 3. **การจัดทำดัชนี (Vector Index).** ข้อความเป็นชิ้น ๆ และองค์ประกอบเชิงภาพ (รูปภาพหรือคำอธิบายของรูปภาพ) ถูกแปลงเป็นเวกเตอร์และบันทึกลงในฐานข้อมูลเวกเตอร์ สำหรับปริภูมิรวม *text↔image* จะใช้ CLIP หรือ SigLIP; สำหรับการผลิตจริงนิยมใช้ดัชนีมัลติโมดัล/มัลติเวกเตอร์ (หนึ่งวัตถุ — หลายเวกเตอร์)^{[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-clip2021-6)[\[11\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-siglip2023-11)[\[12\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-milvus-mv-12)}. 4. **การค้นคืนมัลติโมดัลและการจัดอันดับใหม่.** ดำเนินการค้นหาข้อความและการค้นหาเชิงภาพแบบผสม; ผู้สมัคร (ย่อหน้า ตาราง รูปภาพ/ภูมิภาค) ถูกรวมกันและจัดอันดับใหม่ด้วยโมเดลที่ "หนักกว่า" (cross-encoder/LLM-reranker) เพื่อเพิ่มความแม่นยำ^{[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-cohere-rerank-13)}. 5. **การบรรจุบริบทและการสร้างข้อความ.** ส่วนที่คัดเลือกแล้วถูกป้อนให้กับ LLM/VLM หากโมเดลเป็นมัลติโมดัล (เช่น GPT-4V/4o) รูปภาพสามารถป้อนได้โดยตรง; สำหรับ LLM แบบข้อความรูปภาพจะถูกแปลงเป็นคำอธิบายโดยละเอียดล่วงหน้า^{[\[14\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-gpt4v-14)[\[15\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-gpt4o-15)}. 6. **การติดตามและการอ้างอิง.** คำตอบมาพร้อมกับการอ้างอิงแบบคลิกได้ที่เชื่อมโยงไม่เพียงแค่กับเอกสาร/หน้า แต่ยังกับภูมิภาค (พิกัด) ด้วย ซึ่งช่วยเพิ่มระดับ *grounding* และความไว้วางใจของผู้ใช้^{[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-visrag2024-2)}. ## การประเมินคุณภาพและเมตริก ประสิทธิภาพของ MM-RAG ได้รับการประเมินในระดับการดึงข้อมูล การค้นคืน และการสร้างข้อความ - **คุณภาพการดึงข้อมูลเชิงภาพ.** ความแม่นยำ OCR (WER/CER) คุณภาพการวิเคราะห์โครงร่าง (mAP/Precision/Recall) บน dataset DocLayNet/PubLayNet^{[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-doclaynet2022-8)[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-publaynet2019-7)}. - **คุณภาพการค้นคืน.** เมตริกมาตรฐานของการค้นคืนสารสนเทศ: Recall@K, Precision@K, MRR; สำหรับมัลติโมดัล — แยกตามโมดาลิตีและในการรวมกัน - **คุณภาพคำตอบ (end-to-end).** เมตริกอัตโนมัติ *faithfulness*/*groundedness* และการประเมินโดยมนุษย์ ในทางปฏิบัติใช้เฟรมเวิร์ก RAGAS/TruLens/DeepEval^{[\[16\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-ragas-16)}. - **Benchmark.** - **DocVQA**: คำถามเกี่ยวกับรูปภาพเอกสาร^{[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-docvqa2021-3)}. - **TextVQA**: คำถามที่ต้องอ่านข้อความในรูปภาพ^{[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-textvqa2019-4)}. - **InfographicVQA**: คำถามเกี่ยวกับอินโฟกราฟิก^{[\[17\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-infographicvqa2021-17)}. - **ChartQA**: คำถามเกี่ยวกับแผนภูมิที่ต้องใช้การใช้เหตุผลเชิงตรรกะ^{[\[18\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-chartqa2022-18)}. - **MMDocRAG**: benchmark มัลติโมดัล RAG สำหรับ DocQA (เอกสารหลายหน้า ห่วงโซ่หลักฐานข้ามโมดาลิตี)^{[\[19\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-mmdocrag2025-19)}. ## ตารางเปรียบเทียบส่วนประกอบ | ส่วนประกอบ | รูปแบบการใช้งาน | ข้อดี | ข้อเสีย / ความเสี่ยง | เมื่อใดควรเลือก | |---------------------------|-------------------------------------------------------------|---------------------------------------------------------------------|-----------------------------------------------------------------------|-------------------------------------------------------------------| | OCR | Tesseract / PaddleOCR / API บนคลาวด์ | แบบท้องถิ่น — ความเป็นส่วนตัวและการควบคุม; แบบคลาวด์ — ความแม่นยำสูงพร้อมใช้งาน | ข้อผิดพลาดในโครงร่างที่ซับซ้อน; API — ค่าใช้จ่ายและข้อกำหนดด้านการปฏิบัติตามกฎระเบียบ | ข้อมูลส่วนตัว — OCR ท้องถิ่น; ความแม่นยำสูงสุด — คลาวด์ (หากอนุญาต) | | การวิเคราะห์โครงร่าง | กฎ / โมเดล ML (LayoutLM, LayoutParser) | กฎเรียบง่ายสำหรับเทมเพลตที่เป็นแบบเดียวกัน; ML — ทนทานต่อความหลากหลาย | กฎพังกับโครงร่างใหม่; ML ต้องการทรัพยากร/ข้อมูล | แบบฟอร์มเดิม — กฎ; คลังข้อมูลหลากหลาย — ML | | การแปลงเป็นเวกเตอร์ (รูปภาพ) | CLIP / SigLIP / คำอธิบาย OCR-free (Donut/Pix2Struct) | พื้นที่แฝงร่วม *text↔image* (CLIP/SigLIP); OCR-free ขจัดการพึ่งพา OCR | CLIP ไม่อ่านข้อความภายในรูปภาพ; คำอธิบายอาจบิดเบือนความหมาย | CLIP/SigLIP — การค้นหามัลติโมดัลพื้นฐาน; OCR-free สำหรับสแกนที่มีคุณภาพซับซ้อน | | การรวมผลลัพธ์ | การเรียงลำดับตามคะแนน / โควตาตามโมดาลิตี / LLM-reranker | Reranker ช่วยเพิ่มความแม่นยำของการคัดเลือกบริบทอย่างเห็นได้ชัด | เพิ่มความหน่วงและค่าใช้จ่าย | สถานการณ์ที่ต้องการความแม่นยำสูง; วิธีการง่าย ๆ — สำหรับ PoC | | พื้นที่เก็บข้อมูล/ดัชนี | เวกเตอร์เดี่ยว / มัลติเวกเตอร์ (text+image) / ไฮบริด (BM25+vector) | มัลติเวกเตอร์ครอบคลุมการแสดงผลต่าง ๆ ของวัตถุเดียว; ไฮบริดช่วยคำหลัก/รหัส | ความซับซ้อนของสคีมาและการอัปเดต | ระบบการผลิตที่มีข้อมูลผสมและ SLA เข้มงวด | การเปรียบเทียบส่วนประกอบและแนวทางสำคัญใน MM-RAG ## ข้อสังเกตเชิงปฏิบัติ - **การค้นหาแบบไฮบริด** (BM25 + เวกเตอร์) — มาตรฐาน de-facto สำหรับการเพิ่มความครบถ้วนและความแม่นยำในคำศัพท์/รหัสเฉพาะทาง^{[\[20\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-weaviate-hybrid-20)}. - **การจัดอันดับใหม่** ด้วย cross-encoder/LLM ช่วยประหยัด token โดยคัดทิ้งผู้สมัครที่ "ไม่มีประโยชน์" ก่อนการสร้างข้อความ^{[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-cohere-rerank-13)}. - **VLM-retriever รุ่นใหม่** (เช่น ColPali) แสดงข้อได้เปรียบในเอกสารที่มีภาพมากโดยการจัดทำดัชนีหน้าในรูปแบบรูปภาพโดยตรง^{[\[21\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_note-colpali2024-21)}. ## เอกสารอ้างอิง - 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. ## ดูเพิ่มเติม - Retrieval-Augmented Generation - ฐานข้อมูลเวกเตอร์ - Embedding - GraphRAG ## หมายเหตุ 1. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-lewis2020_1-0) Lewis, P., Perez, E., et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. NeurIPS. arXiv:2005.11401. 2. ↑ ^{[2.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-visrag2024_2-0)} ^{[2.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-visrag2024_2-1)} Yu, S. et al. (2024). *VisRAG: Vision-based Retrieval-Augmented Generation on Multi-modality Documents*. arXiv:2407.06437. 3. ↑ ^{[3.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-docvqa2021_3-0)} ^{[3.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-docvqa2021_3-1)} Mathew, M. et al. (2021). *DocVQA: A Dataset for VQA on Document Images*. WACV. arXiv:2007.00398. 4. ↑ ^{[4.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-textvqa2019_4-0)} ^{[4.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-textvqa2019_4-1)} Singh, A. et al. (2019). *TextVQA: Towards VQA Models That Can Read*. CVPR. arXiv:1904.08920. 5. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-layoutlm2020_5-0) Xu, Y. et al. (2020). *LayoutLM: Pre-training of Text and Layout for Document Image Understanding*. KDD. DOI. 6. ↑ ^{[6.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-clip2021_6-0)} ^{[6.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-clip2021_6-1)} Radford, A. et al. (2021). *Learning Transferable Visual Models From Natural Language Supervision (CLIP)*. ICML. arXiv:2103.00020. 7. ↑ ^{[7.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-publaynet2019_7-0)} ^{[7.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-publaynet2019_7-1)} Zhong, X., Tang, J., Yepes, A. J. (2019). *PubLayNet: Largest Dataset for Document Layout Analysis*. ICDAR. arXiv:1908.07836. 8. ↑ ^{[8.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-doclaynet2022_8-0)} ^{[8.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-doclaynet2022_8-1)} Pfitzmann, B. et al. (2022). *DocLayNet: A Large Human‑Annotated Dataset for Document‑Layout Analysis*. KDD. DOI / arXiv:2206.01062. 9. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-layoutparser2021_9-0) Shen, Z. et al. (2021). *LayoutParser: A Unified Toolkit for DL‑based Document Image Analysis*. arXiv:2103.15348. 10. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-donut2021_10-0) Kim, G. et al. (2021). *Donut: OCR‑free Document Understanding Transformer*. arXiv:2111.15664. 11. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-siglip2023_11-0) Zhai, X. et al. (2023). *Sigmoid Loss for Language‑Image Pre‑Training (SigLIP)*. ICCV. arXiv:2303.15343. 12. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-milvus-mv_12-0) Milvus Docs. *Multi‑Vector Hybrid Search*. milvus.io/docs/multi-vector-search.md. 13. ↑ ^{[13.0](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-cohere-rerank_13-0)} ^{[13.1](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-cohere-rerank_13-1)} Cohere Docs. *Rerank API*. docs.cohere.com/reference/rerank. 14. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-gpt4v_14-0) OpenAI. *GPT‑4V(ision) System Card*. (2023). PDF. 15. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-gpt4o_15-0) OpenAI. *Hello GPT‑4o*. (2024). openai.com/index/hello-gpt-4o/. 16. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-ragas_16-0) Es, S. et al. (2023). *RAGAS: Automated Evaluation of Retrieval Augmented Generation*. arXiv:2309.15217. 17. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-infographicvqa2021_17-0) Mathew, M. et al. (2021). *InfographicVQA: Understanding Infographics via Question Answering*. ICDAR. arXiv:2104.12756. 18. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-chartqa2022_18-0) Masry, A. et al. (2022). *ChartQA: A Benchmark for Question Answering about Charts*. ACL (Findings). arXiv:2103.16435. 19. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-mmdocrag2025_19-0) Dong, K. et al. (2025). *Benchmarking Retrieval‑Augmented Multimodal Generation for Document QA (MMDocRAG)*. arXiv:2505.16470. 20. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-weaviate-hybrid_20-0) Weaviate Docs. *Hybrid search*. docs.weaviate.io/.../hybrid-search. 21. [↑](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TH)#cite_ref-colpali2024_21-0) Faysse, M. et al. (2024). *ColPali: Efficient Document Retrieval with Vision‑Language Models*. arXiv:2407.01449.