文章讲述了作者尝试将多模态模型应用于RAG系统的实践经历。发现多模态应用比理论复杂，尤其是在RAG系统中处理不同模态数据并保持关联关系。市场多模态模型大多只支持部分模态，全模态较少。作者探讨了应用多模态的挑战，包括维护文档中不同模态数据的关联关系和有效数据召回等问题。强调了实践的重要性，指出多模态RAG系统实现远比理论复杂。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

“ 多模态与RAG的结合是一个应用的实践过程，其实际操作远比理论要复杂得多。”

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。

多模态模型的应用

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。

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。

读者福利：倘若大家对大模型感兴趣，那么这套大模型学习资料一定对你有用。

针对0基础小白：

如果你是零基础小白，快速入门大模型是可行的。
大模型学习流程较短，学习内容全面，需要理论与实践结合
学习计划和方向能根据资料进行归纳总结

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

这里我们能提供零基础学习书籍和视频。作为最快捷也是最有效的方式之一，跟着老师的思路，由浅入深，从理论到实操，其实大模型并不难。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓