万物皆可RAG：深入解读50种多模态组合应用与未来发展

来自华中科技大学、复旦大学、中国电信以及美国伊利诺伊大学芝加哥分校的研究团队联合发布了一篇系统性综述，全面覆盖了几乎所有模态组合作为输入与输出的MM-RAG研究框架，深入勾勒了这一广阔研究与应用领域的技术全景。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

以ChatGPT、Deepseek、千问、豆包、Gemini等为代表的大语言模型应用普遍采用联网检索增强生成（RAG）技术来响应用户提问。随着多模态大模型（MLLMs）的快速发展，作为主流技术之一的RAG正迅速向多模态方向演进，形成了新兴的多模态检索增强生成（MM-RAG）领域。目前ChatGPT、千问、豆包、Gemini等平台均已支持用户同时输入文字、图片等多种模态内容。

然而当前MM-RAG的研究与应用尚处于起步阶段，现有研究及综述主要聚焦于文本和图像等有限模态组合。虽然音频、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，但相关探索仍十分有限。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。

这支跨校研究团队发表的综述首次系统性地涵盖了所有可能的输入输出模态组合，为全面理解这一快速发展的领域提供了重要参考。

论文标题：A Comprehensive Survey on Multimodal RAG: All Combinations of Modalities as Input and Output
TechRxiv：https://doi.org/10.36227/techrxiv.176341513.38473003/v2
GitHub项目主页：https://github.com/INTREBID/Awesome-MM-RAG

该论文最大的亮点在于其前所未有的覆盖广度：

它首次涵盖了所有可能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。

通过这种全景式梳理，作者们首次揭示了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研究空白（如表1所示）。在作者提出的54种潜在组合中，目前仅有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”——仍然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：数据组织和查询的准备工作。

b) 检索：高效准确地从海量多模态知识库中找到相关信息。

c) 增强：将检索到的多模态信息有效地融入到大模型中。

d) 生成：基于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，并针对不同模态讨论了优化策略，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评估指标和基准，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、并系统性解析了MM-RAG工作流、组件、训练、评估等核心技术的重要综述，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，方便读者跟踪最新进展。