---
title: "MM-RAG (Multimodal RAG) (TR)"
source: "https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)"
wiki: "systems-analysis.info/int"
article: "MM-RAG_(Multimodal_RAG)_(TR)"
language: "tr"
categories:
  - "Category:Large language models"
  - "Category:Prompt engineering"
  - "Category:Turkish"
revision_id: 4061
wiki_created_at: 2026-09-06T23:29:56Z
wiki_modified_at: 2026-09-06T23:29:56Z
downloaded_at: 2026-09-07T23:00:39Z
---

# MM-RAG (Multimodal RAG) (TR)

**MM-RAG** (İng. *Multimodal Retrieval-Augmented Generation*) — klasik RAG paradigmasının bir uzantısıdır; bu yaklaşımda LLM'ler yanıt üretmek için yalnızca metni değil, görsel verileri de (görüntüler, şemalar, tablolar, grafikler) kullanır. Multimodal retrieval, farklı temsiller arasında kanıt bulmayı ve ilişkilendirmeyi mümkün kılar; sayfa parçalarına ve bölgelere (*bounding boxes*) kesin bağlantı içeren dış kaynaklara dayanarak halüsinasyon riskini azaltır<sup>[\[1\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-lewis2020-1)[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-visrag2024-2)</sup>.

MM-RAG, anlamın önemli bir bölümünün metin dışı biçimde (sayfa düzeni, diyagramlar, tablo yapıları) sunulduğu belgeler için özellikle kullanışlıdır. Bu tür durumlarda klasik metin tabanlı RAG, bağlamın önemli öğelerini çoğunlukla kaybeder<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-docvqa2021-3)[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-textvqa2019-4)</sup>.

## Bağlam ve Çözülen Problem

Klasik RAG, metin pasajları üzerinde çalışır ve görsel yapıları (öğelerin konumu, şekil açıklamaları, grafik eksenleri) göremez. MM-RAG bu boşlukları kapatır: yapılandırılmış öğeleri (koordinatlarıyla birlikte metin, tablolar, görüntüler) çıkarır, bunları vektör uzayına indeksler ve farklı modalitelerden gelen kanıtları birleştirir<sup>[\[5\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-layoutlm2020-5)[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-clip2021-6)</sup>.

## MM-RAG Mimarisi

MM-RAG boru hattı, klasik RAG'a görsel veri işleme ve modalite hizalama aşamaları ekler: **veri alımı → indeksleme → multimodal retrieval → birleştirme ve yeniden sıralama → izlenebilirlik ile üretim**.

1.  **Veri Toplama ve Ön İşleme (Ingestion).** Giriş olarak PDF/taramalar/görüntüler alınır. Bölgeleri ayırt etmek için OCR ve sayfa **düzen analizi** gerçekleştirilir: paragraflar, başlıklar, tablolar, görüntüler ve koordinatları. Tipik araçlar — LayoutLM ailesi modelleri ve LayoutParser araç kütüphaneleridir; doğrulama ve eğitim çoğunlukla PubLayNet ve DocLayNet dataset'lerine dayanır<sup>[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-publaynet2019-7)[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-doclaynet2022-8)[\[9\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-layoutparser2021-9)</sup>.
2.  **Bölge Segmentasyonu.** Görsel nesneler (diyagramlar, tablolar, görseller, açıklamalar) çıkarılır. Daha yüksek kararlılık için OCR‑free modeller (örn. Donut) veya birleşik OCR+VLM boru hatları kullanılır<sup>[\[10\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-donut2021-10)</sup>.
3.  **İndeksleme (Vector Index).** Metin parçaları ve görsel öğeler (görüntüler veya açıklamaları) vektör temsillerine dönüştürülür ve vektör veritabanına eklenir. *text↔image* birleşik uzayı için CLIP veya SigLIP kullanılır; üretim ortamları için multimodal/çok vektörlü indeksler (bir nesne — birden fazla vektör) kullanışlıdır<sup>[\[6\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-clip2021-6)[\[11\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-siglip2023-11)[\[12\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-milvus-mv-12)</sup>.
4.  **Multimodal Retrieval ve Yeniden Sıralama.** Metin ve görsel arama kombinasyonu gerçekleştirilir; adaylar (paragraflar, tablolar, görüntüler/bölgeler) birleştirilerek daha "ağır" bir model (cross-encoder/LLM-reranker) ile hassasiyeti artırmak amacıyla yeniden sıralanır<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-cohere-rerank-13)</sup>.
5.  **Bağlam Paketleme ve Üretim.** Seçilen parçalar LLM/VLM'e aktarılır. Model multimodal ise (örn. GPT‑4V/4o) görüntüler doğrudan iletilebilir; metin tabanlı LLM kullanılıyorsa görüntüler önceden ayrıntılı açıklamalara dönüştürülür<sup>[\[14\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-gpt4v-14)[\[15\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-gpt4o-15)</sup>.
6.  **İzlenebilirlik ve Alıntılama.** Yanıt; yalnızca belge/sayfaya değil, bölgeye (koordinatlara) bağlantılı tıklanabilir alıntılarla sunulur. Bu, *grounding* düzeyini ve kullanıcı güvenini artırır<sup>[\[2\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-visrag2024-2)</sup>.

## Kalite Değerlendirme ve Metrikler

MM‑RAG etkinliği; çıkarım, retrieval ve üretim düzeylerinde değerlendirilir.

- **Görsel Veri Çıkarım Kalitesi.** OCR doğruluğu (WER/CER), DocLayNet/PubLayNet dataset'leri üzerinde düzen analizi kalitesi (mAP/Precision/Recall)<sup>[\[8\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-doclaynet2022-8)[\[7\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-publaynet2019-7)</sup>.
- **Retrieval Kalitesi.** Standart bilgi erişimi metrikleri: Recall@K, Precision@K, MRR; multimodal için — modalitelere göre ayrı ayrı ve birleşik olarak.
- **Yanıt Kalitesi (uçtan uca).** Otomatik *faithfulness*/*groundedness* metrikleri ve insan değerlendirmesi. Pratikte RAGAS/TruLens/DeepEval framework'leri kullanılır<sup>[\[16\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-ragas-16)</sup>.
- **Benchmark'lar.**
  - **DocVQA**: belge görüntülerine yönelik sorular<sup>[\[3\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-docvqa2021-3)</sup>.
  - **TextVQA**: görüntüler içindeki metni okumayı gerektiren sorular<sup>[\[4\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-textvqa2019-4)</sup>.
  - **InfographicVQA**: infografiklere yönelik sorular<sup>[\[17\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-infographicvqa2021-17)</sup>.
  - **ChartQA**: mantıksal çıkarım gerektiren diyagram soruları<sup>[\[18\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-chartqa2022-18)</sup>.
  - **MMDocRAG**: DocQA için multimodal RAG benchmark'ı (çok sayfalı belgeler, modaliteler arası kanıt zincirleri)<sup>[\[19\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-mmdocrag2025-19)</sup>.

## Bileşenlerin Karşılaştırma Tablosu

| Bileşen                  | Uygulama Seçenekleri                                        | Artıları                                                                                         | Eksileri / Riskler                                                   | Ne Zaman Tercih Edilmeli                                                           |
|--------------------------|-------------------------------------------------------------|--------------------------------------------------------------------------------------------------|----------------------------------------------------------------------|------------------------------------------------------------------------------------|
| OCR                      | Tesseract / PaddleOCR / bulut API'leri                      | Yerel — gizlilik ve kontrol; bulut — kutudan çıkar çıkmaz yüksek doğruluk.                       | Karmaşık düzende hatalar; API — maliyet ve uyumluluk gereksinimleri. | Özel veriler — yerel OCR; maksimum doğruluk — bulut (uygunsa).                     |
| Düzen Analizi            | Kural tabanlı / ML modeli (LayoutLM, LayoutParser)          | Kurallar tek tip şablonlar için basittir; ML — çeşitliliğe karşı dayanıklıdır.                   | Kurallar yeni düzenlerde çöker; ML kaynak/veri gerektirir.           | Tek tip formlar — kurallar; heterojen korpus — ML.                                 |
| Vektörleştirme (görüntü) | CLIP / SigLIP / OCR‑free açıklamalar (Donut/Pix2Struct)     | Ortak *text↔image* gizli uzay (CLIP/SigLIP); OCR‑free, OCR bağımlılığını ortadan kaldırır.       | CLIP görüntü içindeki metni okuyamaz; açıklamalar anlamı bozabilir.  | CLIP/SigLIP — temel multimodal arama; karmaşık kalitedeki taramalar için OCR‑free. |
| Sonuç Birleştirme        | Puana göre sıralama / modalite kotaları / LLM‑reranker      | Reranker, bağlam seçim doğruluğunu belirgin biçimde artırır.                                     | Gecikme ve maliyet artışı.                                           | Yüksek hassasiyet gerektiren senaryolar; PoC için basit yöntemler.                 |
| Depolama/İndeks          | Tek vektör / çok vektör (text+image) / hibrit (BM25+vektör) | Çok vektör, bir nesnenin farklı temsillerini kapsar; hibrit, anahtar kelimeler/kodları kurtarır. | Şema ve güncellemelerin karmaşıklaşması.                             | Karışık verili ve katı SLA'lı üretim sistemleri.                                   |

MM‑RAG'daki Temel Bileşen ve Yaklaşımların Karşılaştırması

## Pratik Notlar

- **Hibrit arama** (BM25 + vektör) — özel terimler/kodlarda kapsamı ve hassasiyeti artırmak için fiili standarttır<sup>[\[20\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-weaviate-hybrid-20)</sup>.
- Cross-encoder/LLM ile **yeniden sıralama**, üretimden önce "gereksiz" adayları eleyerek token tasarrufu sağlar<sup>[\[13\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-cohere-rerank-13)</sup>.
- **Modern VLM retriever'ları** (örn. ColPali), sayfa görüntülerini doğrudan indeksleyerek görsel açıdan zengin belgelerde avantaj sağlar<sup>[\[21\]](https://systems-analysis.info/int/MM-RAG_(Multimodal_RAG)_(TR)#cite_note-colpali2024-21)</sup>.

## Ayrıca bakınız

- Retrieval-Augmented Generation
- Vektör veritabanı
- Embedding
- GraphRAG

## Kaynakça

- 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.

## Notlar

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