因此，出现了一个重要的研究交叉点，即检索多模态知识以增强生成模型。它为解决当前面临的事实性、推理、可解释性和鲁棒性等挑战提供了一个前景广阔的解决方案。由于这一领域刚刚起步，在将这些方法作为一个特定组别进行识别、将它们的内在联系可视化、将它们的方法论联系起来以及概述它们的应用方面缺乏统一的认识。因此，我们对多模态检索增强生成（RAG）的最新进展进行了调查。具体来说，我们将当前的研究分为不同的模式，包括图像、代码、结构化知识、音频和视频。对于每种模式，我们都会使用相关关键词系统地搜索 ACL 文集和谷歌学术，并进行人工筛选，以确定其与调查的相关性。因此，我们收集了 146 篇论文进行详细分析。附录 A.1此外，我们还提供了搜索详情、统计数据和趋势分析图，这表明自大规模通用模型出现以来，多模态 RAG 论文的发展确实非常迅速。在每种模式中，我们将相关论文按照不同的应用进行分组讨论。我们希望通过深入调查，帮助研究人员认识到多模态 RAG 的重要性。我们的贡献在于，我们发现了以不同形式纳入知识的方法，并鼓励对现有技术进行调整和改进，以适应快速发展的法学硕士领域。
摘要：随着大型语言模型（LLMs）的普及，使用多模态增强 LLMs 的生成能力成为一个重要趋势，这使得 LLMs 能够更好地与世界交互。然而，对于在哪个阶段以及如何结合不同的模式，目前还缺乏统一的认识。在本调查报告中，我们回顾了通过检索多模态知识来辅助和增强生成模型的方法，这些知识的格式包括图像、代码、表格、图表和音频。这些方法为解决诸如事实性、推理、可解释性和鲁棒性等重要问题提供了有前景的解决方案。通过深入评述，本调查报告有望让学者们更深入地了解这些方法的应用，并鼓励他们调整现有技术，以适应快速发展的
喜欢离语请大家收藏：(m.dkdushu.com)离语多看读书更新速度全网最快。