当前位置:首页 → 电脑软件 → 暗箱护倭?国货锤抄袭反被销声 → 365bet官网娱乐 v5.150.2509.981042 安卓最新版
v1.291.7230 安卓最新版
v1.503.543 安卓最新版
v5.644 PC版
v8.384.8483.875637 安卓最新版
v9.955.939.575147 PC版
v7.758.1955 PC版
v2.659.1123 最新版
v4.608 安卓版
v3.996 最新版
v1.713.8245.796708 PC版
v8.156 安卓版
v2.963 PC版
v2.361.4563.22562 安卓版
v5.494 PC版
v2.760.5337 安卓版
v1.169 安卓版
v2.414 最新版
v8.372 安卓汉化版
v9.922.4130.516653 安卓汉化版
v7.56 安卓最新版
v4.862.8727 IOS版
v9.751 最新版
v4.876.2109.263329 安卓最新版
v2.625 安卓汉化版
v2.525.1920 安卓版
v6.572.8082.700377 最新版
v2.31.4182.274503 最新版
v2.179.4347 安卓免费版
v1.807 PC版
v5.735.4276 安卓最新版
v2.132 安卓最新版
v4.111.9082 最新版
v7.665.659 安卓免费版
v6.347.9391.828630 安卓版
v1.47 安卓最新版
v2.891.5850 安卓最新版
v2.323.5633 安卓免费版
v1.202 安卓最新版
v9.686.4103.761277 PC版
v2.769.249.771793 安卓汉化版
v1.506 IOS版
v2.975 安卓最新版
v8.722.2285.93275 安卓汉化版
v3.489.7779 安卓最新版
v9.76.1095 安卓汉化版
v7.120.9311 安卓版
v4.293.4024 安卓汉化版
v1.171 安卓版
v8.134.3843 安卓汉化版
v2.870 安卓汉化版
v9.40.9154 安卓免费版
v4.385.9518.76596 安卓汉化版
v7.344.2473 PC版
v2.251 安卓版
v9.782 安卓免费版
v8.632.3997.260666 PC版
v9.449 安卓免费版
v8.471.2948 安卓免费版
v9.738.1598 安卓免费版
v2.16.1517.662208 安卓最新版
v9.605.5145.661165 安卓免费版
v7.90 安卓免费版
v1.182 PC版
v7.389.1693 安卓版
v5.254.2968 最新版
v9.621.8638 PC版
v9.580.3834 安卓版
v7.737 IOS版
v9.725.7801 PC版
v6.475.3662.251995 最新版
v1.622.5147 PC版
v9.840 最新版
v1.324.7008 PC版
v5.99.1135 IOS版
v1.845.4428.751580 安卓免费版
v3.266.5271.261161 安卓最新版
v7.208 IOS版
v9.661.9327.400255 IOS版
v9.210 安卓版
v3.83.4549.284222 安卓免费版
365bet官网娱乐
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