論文の概要: VisR-RAG-Fin: Benchmarking Multimodal RAG over Visually Rich Financial Documents

• arxiv url: http://arxiv.org/abs/2610.24822v1
• Date: Sat, 17 Oct 2026 19:11:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 16:02:03.123864
• Title: VisR-RAG-Fin: Benchmarking Multimodal RAG over Visually Rich Financial Documents
• Title（参考訳）: VisR-RAG-Fin:ビジュアルリッチな財務文書上でのマルチモーダルRAGのベンチマーク
• Abstract要約: VisR-RAG-Fin (Visually Rich RAG for Finance)は、視覚的にリッチなドキュメントのための汎用パイプラインによって構築されたオープンソースのベンチマークである。 テキストのみ, マルチモーダル, ハイブリッド構成下での検索と生成の挙動を解析する。 この作業は、複雑で視覚的にリッチなエンタープライズドキュメント上で、マルチモーダルなRAGパイプラインを設計し、評価する実践者に対して実行可能な洞察を提供する。
• 参考スコア（独自算出の注目度）: 10.197728826811549
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Enterprise documents such as financial reports are increasingly processed by automated systems, yet they are primarily designed for human reading and exhibit complex visual structure, combining dense text with tables, charts, diagrams, and rich layouts. These characteristics pose significant challenges for Retrieval-Augmented Generation (RAG) systems, which must retrieve relevant pages and leverage visual and structural information during answer generation. Despite recent advances in multimodal retrieval and vision-language models, there remains a limited understanding of how design choices across retrieval and generation components affect end-to-end RAG performance on visually rich documents. In this paper, we present a comprehensive empirical study of multimodal RAG for page-level Question Answering (QA) over financial documents. We introduce VisR-RAG-Fin (Visually Rich RAG for Finance), an open-source benchmark constructed through a general pipeline for visually rich documents that preserves original layout and visual content. Using this benchmark, we systematically analyze retrieval and generation behavior under text-only, multimodal, and hybrid configurations, providing a foundation for rigorous evaluation of RAG systems on complex enterprise document collections. Overall, this work provides actionable insights for practitioners designing and evaluating multimodal RAG pipelines over complex, visually rich enterprise documents.
• Abstract（参考訳）: 財務報告のようなエンタープライズ文書は、自動化されたシステムによって処理されることが多いが、主に人間の読み出しと複雑な視覚構造を示すために設計されており、密集したテキストとテーブル、チャート、図表、リッチレイアウトを組み合わせている。 これらの特徴は、応答生成中に関連ページを検索し、視覚的および構造的情報を活用する必要がある、検索拡張生成(RAG)システムに重大な課題をもたらす。 近年のマルチモーダル検索と視覚言語モデルの発展にもかかわらず、検索および生成コンポーネント間の設計選択が、視覚的にリッチなドキュメント上でのエンドツーエンドRAGパフォーマンスに与える影響について、限定的な理解が残っている。 本稿では、財務文書に対するページレベルの質問回答(QA)のためのマルチモーダルRAGの総合的研究について述べる。 VisR-RAG-Fin (Visually Rich RAG for Finance)は、ビジュアルにリッチなドキュメントのための汎用パイプラインによって構築され、オリジナルのレイアウトとビジュアルコンテンツを保存するオープンソースベンチマークである。 本ベンチマークを用いて,テキストのみ,マルチモーダル,ハイブリッド構成下での検索・生成動作を系統的に解析し,複雑なエンタープライズ文書コレクション上でのRAGシステムの厳密な評価の基礎となる。 全体として、この作業は、複雑で視覚的にリッチなエンタープライズドキュメント上で、マルチモーダルなRAGパイプラインを設計し、評価する実践者に実行可能な洞察を提供する。

関連論文リスト

• MARA: A Multimodal Adaptive Retrieval-Augmented Framework for Document Question Answering [51.19392014547221]
  検索型マルチモーダル文書QAは,視覚的にリッチな文書から複雑なマルチモーダル構造を持つ関連情報を識別し,統合することを目的としている。 現在のアプローチは、サージェントなコンテンツを見渡すクエリに依存しないドキュメント表現に依存しています。 本稿では,クエリ適応生成を導入したMultimodal Adaptive Retrieval-Augmented (MARA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-01T12:27:40Z)
• 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)
• MMESGBench: Pioneering Multimodal Understanding and Complex Reasoning Benchmark for ESG Tasks [56.350173737493215]
  環境・社会・ガバナンス(ESG)報告は、持続可能性の実践の評価、規制コンプライアンスの確保、財務透明性の促進に不可欠である。 MMESGBenchは、マルチモーダル理解と複雑な推論を、構造的に多種多様なマルチソースESG文書間で評価するための、最初のベンチマークデータセットである。 MMESGBenchは、45のESG文書から得られた933の検証済みQAペアで構成され、7つの異なるドキュメントタイプと3つの主要なESGソースカテゴリにまたがる。
  論文  参考訳（メタデータ） (2025-07-25T03:58:07Z)
• VDocRAG: Retrieval-Augmented Generation over Visually-Rich Documents [30.012487475552575]
  本稿では,新たなRAGフレームワークであるVDocRAGを導入し,様々な文書やモダリティを統一された画像形式で直接理解する。 また、OpenDocVQAは、オープンドメイン文書の視覚的質問応答データセットを統合化した最初のコレクションである。
  論文  参考訳（メタデータ） (2025-04-14T01:50:33Z)
• 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)
• PDF-MVQA: A Dataset for Multimodal Information Retrieval in PDF-based Visual Question Answering [13.625303311724757]
  文書質問回答(QA)は、視覚に富む文書(VRD)を理解する上での課題を提示する 我々は,複数のページとマルチモーダル情報検索を含む研究雑誌記事に適したPDF-MVQAを提案する。
  論文  参考訳（メタデータ） (2024-04-19T09:00:05Z)

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。