先说结论：这篇文章的方法和前面介绍的两个多模态RAG的工作非常相似，可以看看往期介绍：
M3DOCRAG同样也指出，现有的方法要么专注于单页文档的多模态语言模型，要么依赖于基于文本的RAG方法，这些方法使用OCR等文本提取工具。然而，这些方法在实际应用中存在困难，例如问题通常需要跨不同页面或文档的信息，而MLMs无法处理长文档；并且，文档中重要的视觉元素（如图、表等）往往被文本提取工具忽略。
M3DoCRAG和以往方法对比
注 ：文章代码和数据集暂未开源，但都是使用ColPali和qwen2-vl实现，笔者在前面文档也恰好实践了一个简单的RAG-ColPali，供参考：
方法
- 文档嵌入：和RAG-ColPali很相似，文档嵌入使用ColPali将所有文档页面转换为RGB图像，并从页面图像中提取视觉嵌入。（ColPali是一种基于后期交互机制的多模态检索模型，它将文本和图像输入编码为统一的向量表示，并检索最相关的图像。其原理可以看看往期对ColPali的介绍《ColPali》）
M3DOCRAG流程
- 页面检索：也和RAG-ColPali使用的方法相似，也是使用MaxSim 分数计算查询与页面之间的相关性，并检索与文本查询top-K个页面。
- 答案生成：使用多模态语言模型（MLM）对检索到的页面图像进行视觉问答，以获得最终答案。该方法使用的是qwen2-vl-7b
数据集
M3DocVQA包含3,368个PDF文档，总计41,005页，涵盖开放域和封闭域的DocVQA任务。
M3DocVQA与现有DocVQA数据集对比
M3DocVQA中PDF集合的示意图