关于多模态应用的几个疑问，以及多模态应该怎么应用于RAG？

这段时间一直在搞RAG和Agent，然后使用的基本上都是基于文本处理的推理模型，基本上没用过多模态模型；而最近突然有个想法，那就是把多模态应用于当前的RAG系统。

虽然说之前对多模态有些基础认识，但并没有在真实的业务系统中实践过；然后网络上关于多模态应用的内容又很少，因此等真正尝试去做的时候才发现，多模态应用好像没有那么简单。

既然要应用多模态，那么首先要了解什么是多模态；在对多模态最粗浅的认知就是，多模态支持多种模态的数据，也就是文本，视频，音频，图片等。

在作者个人的认知中，多模态应该是能接受任何形式的数据输入，然后可以输出任何自己想要的数据格式；事实上多模态也是这么做的，但并不是我们想象中的那样。

观察了几家模型厂商之后发现一个问题，很多所谓的多模态模型都仅仅支持两种模态或三种模态；比如说根据文本生成语音，图片理解，视频理解，图片生成，视频生成等等。

而那种能够支持所有模态数据的模型叫做——全模态。

以具体的例子来看，在日常办公场景中，会议纪要是一个很重要的东西；现在基于人工智能的会议纪要产品已经有很多了；其原理就是，把音频数据(会议的录音)通过音频转文字的模型，把音频转成文字，然后再基于文字做总结提炼，最后形成会议纪要。

同样的，图片理解，视频理解，图片生成，视频生成等所谓的多模态模型都是如此。

OK，那么怎么把多模态模型应用于RAG系统呢？

在非多模态模式下的RAG系统，是把所有的数据都转成文字的形式，然后进行相似度检索；包括图片，表格等。

但是，我们都知道图片，架构图等表达的内容有时很难用文字描述出来；因此，经过转换之后的文档会丢失大量的有效信息。

那么，如果能把多模态应用到RAG中，那么就可以让多模态模型来识别文档中的内容，这样就可以尽量保证信息的完整性；但具体应该怎么做呢？

在刚开始作者的认知中，多模态应用于RAG应该是把文档丢给模型，然后让模型把里面的文字，图片，架构图，表格等给抠出来，并维护其内在的关联关系，比如说那些文字和那些图片是关联的；然后把这些不同模态的数据，再通过向量化的方式保存到向量库中。

但是，看了模型厂商的一些模型之后，发现好像不是这么做的；它们的方式是，把文档丢给模型，然后让模型按照要求总结出我们所需要的东西；当然，也有那种能够确定文档中文字和图片的位置，然后通过截图的方式拿到文档中的图片或架构图等数据。

但是，这种处理方式并没有维护文档中的关联关系，不同数据之间依然是独立的内容；而且，这样的话，在做数据召回时应该怎么召回？

总不能不同的数据还有去不同的地方做召回，最重要的是不同模态数据之间的关联关系怎么处理？

果然是纸上得来终觉浅，绝知此事要躬行；多模态好像看起来很简单，但等真正想上手去做的时候才发现远远没有那么简单。

当然，也可能是作者没有多模态应用的经验，暂时还无法理解多模态在RAG中的使用流程。