v7.185.3540 安卓最新版
v2.924.2536.229184 安卓汉化版
v4.101.9098.934524 安卓最新版
v6.910.4541 安卓最新版
v3.805 IOS版
v2.974.9359.32491 PC版
v4.973.1357 安卓汉化版
v8.302.7825.262200 安卓汉化版
v4.628.5764 PC版
v6.896 安卓汉化版
v3.558 IOS版
v6.323 PC版
v4.758.5919 安卓最新版
v7.45.5698 安卓汉化版
v9.745.3721.148056 IOS版
v7.951.255.354511 安卓最新版
v6.202.3098 安卓最新版
v1.951.6891.374369 PC版
v3.807.5924.49418 安卓免费版
v4.819.1560.183507 IOS版
v7.216.2149 安卓免费版
v2.615 最新版
v6.989 最新版
v2.681.9130 最新版
v4.446.9667 最新版
v9.346 安卓最新版
v1.917.8805.345363 最新版
v1.446.741 IOS版
v5.124.6998.52674 IOS版
v4.189.310.594048 安卓版
v6.783 PC版
v8.861 安卓汉化版
v5.194 IOS版
v9.236.6204.479817 安卓最新版
v2.881.8063.54628 安卓汉化版
v2.319.7369 最新版
v7.436 最新版
v8.205.407 安卓免费版
v1.550.9659.367461 安卓最新版
v4.189.4517 安卓汉化版
v6.830 最新版
v2.208 IOS版
v2.468.3845.871304 安卓汉化版
v6.352 安卓最新版
v9.699.587.86382 IOS版
v4.417 安卓免费版
v1.813.6433.412903 安卓免费版
v5.138.3019 最新版
v2.106.3655 安卓免费版
v6.911.5175.478248 IOS版
v9.375.6444.603673 IOS版
v7.533.1955 安卓版
v6.933.2021.807863 最新版
v8.511.3105 安卓最新版
v8.863.7877 安卓免费版
v6.424.1860 最新版
v8.277.9626.317511 IOS版
v4.79.2991 安卓最新版
v9.83.5795 IOS版
v8.164.3550 IOS版
v6.34.6997 安卓版
v1.933.9392.355737 安卓最新版
v6.217 PC版
v9.20 安卓免费版
v9.741 安卓版
v2.353.2853.377892 安卓免费版
v7.260.592.354505 安卓免费版
v4.263.9599.732256 安卓最新版
v7.344.459.625749 安卓最新版
v9.38.2064.737325 PC版
v5.532.1126 IOS版
v3.67.6958.53457 安卓免费版
v5.652.215.77584 安卓版
v5.696.4955 安卓最新版
v4.456.8194.367674 IOS版
v6.903 安卓汉化版
v1.490 安卓最新版
v8.151.3707.893966 安卓汉化版
v2.544.8887 安卓免费版
v1.869 IOS版
必赢网站是多少啊
大模型最广泛的应用如 ChatGPT、Deepseek、千问、豆包、Gemini 等通常会连接互联网进行检索增强生成(RAG)来产生用户问题的答案。随着多模态大模型(MLLMs)的崛起,大模型的主流技术之一 RAG 迅速向多模态发展,形成多模态检索增强生成(MM-RAG)这个新兴领域。ChatGPT、千问、豆包、Gemini 都开始允许用户提供文字、图片等多种模态的输入。
然而,目前对于 MM-RAG 的应用和研究都还处于非常初级的阶段,现有的 MM-RAG 研究以及综述论文主要聚焦于文本和图像等少数模态组合;音频、视频、代码、表格、知识图谱、3D 对象等多种模态的组合均可用于检索增强生成,却仅有很少的探索和研究。这使得研究者和开发者难以全面把握 MM-RAG 的技术脉络和广阔的应用空间。
来自华中科技大学、复旦大学、中国电信、美国伊利诺伊大学芝加哥分校的研究者们共同发布了一篇全面覆盖几乎所有模态作为输入和输出组合的MM-RAG综述来全面且系统化地阐述这个广阔的研究和应用空间。
论文标题:A Comprehensive Survey on Multimodal RAG: All Combinations of Modalities as Input and OutputTechRxiv: https://doi.org/10.36227/techrxiv.176341513.38473003/v2GitHub 项目主页: https://github.com/INTREBID/Awesome-MM-RAG
该论文的最大亮点在于其前所未有的广度:
它首次覆盖了几乎所有可能使用的模态组合作为输入和输出,包括文本、图像、音频、视频、代码、表格、知识图谱、3D 对象等。
通过这种全面的梳理,作者们首先揭示了 MM-RAG 领域中庞大的潜在输入 - 输出模态组合空间,并指出了其中尚未被充分探索的空白(如表 1 所示)。在作者提出的 54 种潜在组合中,目前只有 18 种组合存在已有研究(表 1 中绿色对勾的格子),许多极具应用价值的组合 —— 例如 “文本 + 视频作为输入,生成视频作为输出”—— 仍是一片亟待开拓的蓝海。
表 1:基于输入 - 输出模态组合的 MM-RAG 分类法
在此基础上,作者们构建了一个基于输入 - 输出模态组合的全新 MM-RAG 分类法,不仅系统性地组织了现有研究,还清晰展示了不同 MM-RAG 系统的核心技术组件(如表 2 所示),为后续研究提供了统一框架和方法参考。
表 2不同输入输出模态下多模态 RAG 的核心技术组件、任务和应用
四大关键阶段剖析 MM-RAG 工作流
基于这个新的分类法,该综述深入分析了MM-RAG系统的工作流程,并将其划分为四个关键阶段(如图 1 所示):
图 1 MM-RAG 的工作流
a)预检索 (Pre-retrieval): 数据组织和查询的准备工作。
b)检索 (Retrieval): 高效准确地从海量多模态知识库中找到相关信息。
c)增强 (Augmentation): 将检索到的多模态信息有效地融入到大模型中。
d)生成 (Generation): 根据输入和增强信息生成高质量的多模态输出。
论文详细总结了每个阶段的常用方法,并讨论了对于不同模态针对性的优化策略,为构建高性能的MM-RAG系统提供了实用的技术指导。
一站式指南:
训练、评估与应用前瞻
除了技术流程,该综述还提供了构建 MM-RAG 系统的一站式指南:
训练策略: 讨论了 MM-RAG 系统的训练方法,以最大化其检索和生成能力。评估方法: 总结了现有的MM-RAG 评估指标和 Benchmark,帮助研究者评估系统性能。应用与未来: 探讨了 MM-RAG 在多个领域的潜在应用,并指出了未来的重要研究方向。
作为首个覆盖所有常见输入 - 输出模态组合、并系统化解析了 MM-RAG 的工作流、组件、训练、评估等核心技术的综述,该论文不仅为研究者提供了索引式的知识入口,也为产业应用提供了全面的技术参考。论文作者还提供了持续更新的资源库,方便读者追踪最新进展。
相关版本
多平台下载
查看所有0条评论>网友评论