v1.954.4886.384664 安卓免费版
v1.21 安卓免费版
v5.119 安卓最新版
v5.141.5215 IOS版
v8.876.4423 安卓汉化版
v4.799.3924.765775 安卓免费版
v6.437 安卓版
v6.901.648 最新版
v3.455 IOS版
v7.827 安卓免费版
v7.286.9045 PC版
v4.640 IOS版
v2.463 PC版
v1.276.9680 IOS版
v2.234 安卓最新版
v9.781 安卓最新版
v2.288.5715 安卓版
v9.218 IOS版
v9.758.451.988775 安卓免费版
v5.934.2283 IOS版
v7.868 安卓免费版
v5.705 PC版
v4.449.5226.52813 最新版
v3.431.1238 安卓最新版
v6.491 最新版
v4.364 安卓免费版
v5.977.2202 安卓最新版
v8.861 IOS版
v4.483.3963.202195 安卓最新版
v1.261.1923.374304 IOS版
v8.470 安卓版
v5.441.2003.215533 安卓版
v4.292.5754 安卓免费版
v9.955.8987.973770 PC版
v6.33.3752.60170 IOS版
v2.762.762.776708 IOS版
v1.640.1258.892214 安卓免费版
v3.366 最新版
v2.159 安卓汉化版
v1.746 安卓汉化版
v4.741 安卓版
v4.499.2419.723695 IOS版
v3.964.235 安卓最新版
v4.28 安卓最新版
v3.281 安卓版
v5.409.1933 最新版
v9.18 安卓免费版
v6.31.9164 安卓免费版
v4.607.6462 IOS版
v2.84.9155.80564 IOS版
v4.15.1801.825107 IOS版
v8.979.775.747758 安卓汉化版
v5.116 安卓最新版
v6.474.1759.356664 安卓版
v9.487.5952 最新版
v6.884.5672.280543 IOS版
v2.237 安卓免费版
v2.145.301.913861 安卓最新版
v3.24 安卓最新版
v2.741.8655.234319 安卓免费版
v9.67.9379 PC版
v7.364 安卓最新版
v2.498.6650 IOS版
v1.808 安卓版
v4.919.5313 最新版
v3.741 最新版
v7.999.1366 PC版
v9.403.3748.136712 安卓版
v7.327.2924.649363 安卓版
v6.512.7303 IOS版
v6.377.8892.316886 安卓汉化版
v7.534.173 安卓免费版
v6.912.7521.874124 安卓版
v5.386.7244.921031 安卓版
v1.841.4031.907171 IOS版
v2.346.6149 安卓版
v9.163 安卓最新版
v2.5 最新版
v9.667 安卓免费版
v4.804 最新版
男人❌女人下面
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