简介

多模态长文档问答面临跨模态信息脱节和跨页证据整合两大挑战。MMRAG-DocQA通过构建层级索引结构（扁平化页内索引和拓扑跨页索引）和多粒度检索机制（页级父页检索和文档级摘要检索），有效解决了多模态信息关联和跨页长距离推理问题，实现了基于多模态证据的高质量答案生成。

---

多模态长文档问答面临的两大挑战

多模态rag的挑战归纳两点：

• 挑战 1：跨模态信息脱节 多模态文档（如文本、表格、图表、图像）中，相关证据可能分散在不同模态中，但现有方法难以建立文本与视觉信息（如图表中的数据）的关联。例如，问题可能需要结合文本描述和图表中的视觉数据才能回答，但传统检索方法因缺乏模态间关联，无法有效定位图表中的关键信息。

• 挑战 2：跨页证据整合与推理能力不足 回答问题所需的证据可能分散在多个页面，且涉及不同模态（如一页的文本说明和另一页的表格数据），现有方法难以跨页关联这些证据并进行长距离推理。例如，用户询问某服务的联系方式时，说明性文本可能在第 54 页，而具体电话号码在第 55 页的表格中，传统方法无法有效关联这两部分信息。

  

  多模态长文档问答方法中，多模态连接与长距离推理的必要性

下面看一个新思路，如何解决这两个挑战。

一、MMRAG-DocQA方法

MMRAG-DocQA是一种针对多模态长文档问答任务的检索增强生成方法，核心是通过构建层级索引结构和多粒度检索机制，解决多模态信息割裂和跨页证据推理难题。任务的目标是基于包含文本、表格、图表、图像等多模态内容的文档，回答可能涉及跨页、跨模态证据的问题。因此输入：一个查询和包含页的文档（其中表示第页）。输出：基于文档证据生成的答案。

其中，是检索到的多模态证据，由多模态检索器（MMRetriever）从文档的层级索引（HierIndex）中获取；是思维链提示策略，用于引导模型分步推理。

1、层级索引构建

为建立多模态信息关联和跨页依赖，MMRAG-DocQA设计了扁平化页内索引（）和拓扑跨页索引（）的双层结构：

1.1 多模态内容编码

• 文本内容（）：整合四种文本形式

• 纯文本（）：原始文本内容；
• 表格（）：序列化表格结构（保留行列关系）；
• 布局文本（）：基于页面布局的文本信息；
• 视觉描述文本（）：通过LVLM将图像、图表等视觉内容转换为文本描述。

• 视觉内容（）：保留原始视觉特征（），避免信息丢失。

1.2 扁平化页内索引（）

目的是建立单页内多模态信息关联（如文本与图表的对应）。 将每页文本内容（）分割为固定大小的文本块（），通过语言模型（LM）编码为语义向量（），并构建索引。

1.3 拓扑跨页索引（）

目的是捕捉跨页长距离语义关联，支持跨页证据整合。

方法：

1. 将全文档文本内容（）聚类为语义相似的文本块（）；
2. 通过高斯混合模型（GMM）对文本块进行层级聚类，形成拓扑树结构：

• 叶节点：原始文本块；
• 中间节点：聚合语义相关的跨页块；
• 根节点：通过LLM生成文档主题级摘要。

3. 对各层节点编码（）并构建索引。

2. 多粒度检索

结合层级索引，MMRAG-DocQA设计了页级父页检索和文档级摘要检索，分别解决多模态关联和跨页推理问题：

2.1 页级父页检索

目的是关联单页内的文本与视觉证据（如通过文本定位图表）。

大体步骤：

1. 基于扁平化页内索引（），计算查询与文本块的语义相似度，检索Top-K相关文本块（）；
2. 定位这些文本块所属的“父页”（），父页包含与文本关联的视觉内容（如图表、图像）；
3. 通过LLM对父页进行重排序（评分0-1），筛选最相关的父页（）；
4. 从父页中提取视觉内容（），并通过LVLM生成与查询相关的视觉证据（）。

2.2 文档级摘要检索（Document-level Summary Retrieval）

目的是整合跨页分散的证据（如不同页面的文本与表格）。 首先基于拓扑跨页索引（），计算查询与各层节点的语义相似度； 然后检索Top-K相关的摘要节点，作为跨页证据的整合结果（）。

3. 答案生成

检索到的证据（、、）、查询和思维链提示（）。 整合的证据和提示，生成分步推理过程和最终答案

实验性能

二、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】