本文へスキップ

ViDoRAG

視覚情報が豊富な文書のためのマルチモーダル RAG

公式サイトを見る

ViDoRAG とは

本枠組みは Alibaba の自然言語処理チームによるマルチモーダルな検索拡張生成と紹介され、視覚情報が豊富な文書の複雑な推論を扱うと説明されている。

できること

  • 視覚とテキストの情報を横断して検索する
  • GMM による検索の工夫を適用する
  • 複数のエージェントで多段の推論を支える

導入の手順

  • プロジェクトを複製し依存を入れる
  • 取り込みのスクリプトで索引を作る
  • 複数エージェントの推論と生成を動かす

長所と短所

✓ 良い点

  • 公開されたコードとデータセットが用意される
  • 検索器と生成器を独自に定められる

! 注意したい点

  • 対象は視覚情報が豊富な文書
  • 推論は複数のエージェントを経る

よくある質問

誰が作った?

資料は Alibaba の自然言語処理チームを挙げる。

検索の工夫は何による?

資料はガウス混合モデル、略して GMM と説明。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法