論文の概要: Evaluating Modern RAG: Textual, Multimodal, Dense, and Late Interaction Pipelines

• arxiv url: http://arxiv.org/abs/2608.23176v1
• Date: Mon, 24 Aug 2026 12:25:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.05359
• Title: Evaluating Modern RAG: Textual, Multimodal, Dense, and Late Interaction Pipelines
• Title（参考訳）: 現代RAGの評価: テクスチャ, マルチモーダル, デンス, 遅延相互作用パイプライン
• Abstract要約: Retrieval-augmented Generation (RAG) システムは伝統的に、文書から情報を抽出し取り出すテキストベースのパイプラインに依存してきた。 視覚言語モデル(VLM)を利用したマルチモーダルパイプラインの最近の進歩は、視覚信号とテキスト信号を共同で符号化することで、検索品質を向上させるが、計算コストとメモリコストは増大する。 我々は,高密度および遅延相互作用アーキテクチャを含む現代テキストおよびマルチモーダルパイプラインを評価し,そのトレードオフを分析し,検索性能とシステム効率のバランスをとるための実用的なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 1.4180331276028662
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented generation (RAG) systems have traditionally relied on text-based pipelines that extract and retrieve information from documents. While efficient and lightweight, these approaches often struggle with documents where meaning is conveyed through layout, tables, and visual elements. Recent advances in multimodal pipelines, powered by vision-language models (VLMs), improve retrieval quality by jointly encoding visual and textual signals, but at increased computational and memory cost. We propose a quantitative, data-driven selection methodology that guides practitioners in choosing the most appropriate RAG pipeline for a given document corpus based on empirical effectiveness and resource constraints. We evaluate contemporary textual and multimodal pipelines, including dense and late-interaction architectures, analyze their trade-offs, and provide actionable guidance for balancing retrieval performance with system efficiency.
• Abstract（参考訳）: Retrieval-augmented Generation (RAG) システムは伝統的に、文書から情報を抽出し取り出すテキストベースのパイプラインに依存してきた。 効率的で軽量なアプローチでは、レイアウト、テーブル、視覚要素を通じて意味が伝えられるドキュメントに苦労することが多い。 視覚言語モデル(VLM)を利用したマルチモーダルパイプラインの最近の進歩は、視覚信号とテキスト信号を共同で符号化することで、検索品質を向上させるが、計算コストとメモリコストは増大する。 本稿では,経験的有効性と資源制約に基づいて,与えられた文書コーパスに対して,実践者が最適なRAGパイプラインを選択するための定量的データ駆動選択手法を提案する。 我々は,高密度および遅延相互作用アーキテクチャを含む現代テキストおよびマルチモーダルパイプラインを評価し,そのトレードオフを分析し,検索性能とシステム効率のバランスをとるための実用的なガイダンスを提供する。

関連論文リスト

• ViDoRe V3: A Comprehensive Evaluation of Retrieval Augmented Generation in Complex Real-World Scenarios [8.308537658028264]
  ViDoRe v3は、視覚的にリッチなドキュメントコーパス上のマルチタイプクエリを特徴とする総合マルチモーダルRAGベンチマークである。 さまざまな専門家ドメインにまたがる10のデータセットをカバーしており、26,000のドキュメントページと3,099の人間認証クエリをペアにしている。
  論文  参考訳（メタデータ） (2026-01-13T15:00:33Z)
• Resolving Evidence Sparsity: Agentic Context Engineering for Long-Document Understanding [49.26132236798123]
  視覚言語モデル(VLM)は、文書理解における主要なアプローチになりつつある。 本稿では,粗いプロセスにおいて,検索者と4つの協調エージェントを編成するマルチエージェントフレームワークSLEUTHを提案する。 このフレームワークは、検索したページ内の重要なテキストおよび視覚的手がかりを特定し、テーブルやチャートなどの健全な視覚的エビデンスをフィルタし、クエリを分析して推論戦略を考案する。
  論文  参考訳（メタデータ） (2025-11-28T03:09:40Z)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• UNIDOC-BENCH: A Unified Benchmark for Document-Centric Multimodal RAG [82.84014669683863]
  マルチモーダル検索拡張生成(MM-RAG)は,大規模言語モデルを現実世界の知識ベースに適用するための重要なアプローチである。 UniDoc-Benchは、70万の現実世界のPDFページから構築されたMM-RAGのための最初の大規模で現実的なベンチマークである。 実験により,マルチモーダルテキスト画像融合RAGシステムは,非モーダルおよび共同マルチモーダル埋め込みに基づく検索において一貫して優れていた。
  論文  参考訳（メタデータ） (2025-10-04T04:30:13Z)
• CMRAG: Co-modality-based visual document retrieval and question answering [21.016544020685668]
  共同モダリティベースのRAG(RAG)フレームワークは、テキストや画像を利用してより正確な検索と生成を行うことができる。 我々のフレームワークは、複数のビジュアル文書質問応答(VDQA)ベンチマークにおいて、単一モダリティベースのRAGを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-02T09:17:57Z)
• Vision-Guided Chunking Is All You Need: Enhancing RAG with Multimodal Document Understanding [0.0]
  Retrieval-Augmented Generation (RAG) システムは情報検索と質問応答に革命をもたらした。 従来のテキストベースのチャンキング手法は、複雑なドキュメント構造、マルチページテーブル、埋め込みフィギュア、ページ境界を越えたコンテキスト依存に苦労する。 本稿では,Large Multimodal Models(LMM)を利用してPDF文書をバッチで処理する,新しいマルチモーダル文書チャンキング手法を提案する。
  論文  参考訳（メタデータ） (2025-06-19T05:11:43Z)
• Benchmarking Retrieval-Augmented Multimodal Generation for Document Question Answering [60.062194349648195]
  Document Visual Question Answering (DocVQA)は、長いマルチモーダル文書の処理において2つの課題に直面している。 現在の文書検索拡張生成法(DocRAG)はテキスト中心のアプローチによって制限されている。 MMDocRAGは,多ページのクロスモーダルエビデンスチェーンを持つ4,055のエキスパートアノテーション付きQAペアを特徴とする総合ベンチマークである。
  論文  参考訳（メタデータ） (2025-05-22T09:52:57Z)
• Conversational Text Extraction with Large Language Models Using Retrieval-Augmented Systems [0.20971479389679337]
  本研究では,Large Language Models (LLMs) を利用した対話インタフェースを用いてPDF文書からテキストを抽出するシステムを提案する。 このシステムは、PDF内の関連するパスをハイライトしながら、ユーザからの問い合わせに対して情報的応答を提供する。 提案システムは,既存のテキスト抽出・要約技術と比較して,競争力のあるROUGE値を提供する。
  論文  参考訳（メタデータ） (2025-01-16T19:12:25Z)
• Advanced ingestion process powered by LLM parsing for RAG system [0.0]
  本稿では LLM を利用した OCR を用いたマルチストラテジー解析手法を提案する。 この手法はノードベースの抽出手法を用いて、異なる情報タイプ間の関係を作り、コンテキスト対応メタデータを生成する。
  論文  参考訳（メタデータ） (2024-12-16T20:33:33Z)
• VisDoM: Multi-Document QA with Visually Rich Elements Using Multimodal Retrieval-Augmented Generation [100.06122876025063]
  本稿では,マルチドキュメント設定でQAシステムを評価するために設計された,初の総合ベンチマークであるVisDoMBenchを紹介する。 視覚とテキストのRAGを同時に利用する新しいマルチモーダル検索拡張生成(RAG)手法であるVisDoMRAGを提案する。
  論文  参考訳（メタデータ） (2024-12-14T06:24:55Z)
• VisRAG: Vision-based Retrieval-augmented Generation on Multi-modality Documents [66.42579289213941]
  Retrieval-augmented Generation (RAG) は、大規模言語モデルが外部知識ソースを生成に活用できる効果的な手法である。 本稿では、視覚言語モデル(VLM)に基づくRAGパイプラインを確立することにより、この問題に対処するVisRAGを紹介する。 このパイプラインでは、まず文書を解析してテキストを得る代わりに、VLMを画像として直接埋め込んで、VLMの生成を強化する。
  論文  参考訳（メタデータ） (2024-10-14T15:04:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。