ppt检索的RAG方案（多模态、OCR、混合检索）评估结论 原创

ppt RAG主要分下面3种：

• 基于layout+OCR的pipline的以文本主导的RAG方案。
• 基于VLMs+图片向量模型的多模态RAG方案。

• 综合上述两种的混合检索

那么哪种方式更好？下面主要记录一下评估结论。

数据集

SlideVQA 和 LPM 数据集中的示例

• SlideVQA：是一个为推动演示文稿VQA研究而开发的数据集，包含来自SlideShare 的2619个ppt，包含超过 52000 个ppt和 14484个 VQA 样本。该数据集评估模型在文本和视觉ppt元素之间检索相关内容并进行推理的能力，每个样本均关联真实值ppt用于评估，并包含单跳问题（仅需一个ppt即可回答）和多跳问题（需要多个ppt才能回答）。
• LPM：用于训练多模态讲座ppt内容模型的资源，包含 334 个教育视频（187 小时中 9031 幅ppt，覆盖生物、解剖学、心理学、牙科、公共演讲和机器学习等 35 门课程，每幅ppt均配有对应的口语文本、视觉元素以及通过 OCR 提取的文字。数据集中包含 8,598 个视觉图像，包括自然图像（45.1%）、图表（46.7%）、表格（3.5%）和公式（4.6%），平均每幅ppt包含 26 个单词和 0.94 个图像。

实验及结论

• 基于视觉的检索方法：DSE、ColPali、jina-reranker-m0、MonoQwen2-VL-v0.1等
• 基于文本的检索：bge-reranker-v2-gemma、ms-marco-MiniLM-L-12-v2等

关键结论

• 将混合文本检索方法应用于视觉语言模型生成的ppt标题（例如，BM25 结合向量模型如BGE等）可显著优于直接的多模态编码方法（如微调的 DSE）。
• 通过引入 Jina 视觉重排序器增强的晚期交互 ColPali（视觉）模型，或通过 RRF 融合 ColPali（视觉）与其文本对应版本在标题上的表现，达到了最高的检索效率。仅使用文本的 ColPali 模型本身在标题上应用时，提供了一种具有竞争力且显著更节省存储空间的替代案。在所有高性能配置中，强大的重排序器对于获得最高得分至关重要，但不可避免地带来了显著延迟，凸显了存储需求与计算成本之间的核心权衡。用于生成标题的 VLM 选择（Molmo 对比 Gemma3）也显示出依赖数据集的性能差异。

检索ppt的最佳方法是什么？

取决于应用场景。

• 若以准确率为优先，且资源和延迟可忽略，则使用Jina 重排序器的 ColPali（视觉）或其与文本 ColPali 结合的 RRF 混合方案为最佳选择。
• 在需要兼顾高准确率、低延迟和可控存储的 RAG 系统中，基于高质量标题的混合文本检索（如 BM25+Neural+BGE）或搭配 BGE 重排序器的文本 ColPali 方案极为有效。

因此，将多模态ppt检索问题转化为文本问题，能够利用成熟的文本信息检索技术，通常比直接进行多模态编码获得更实用的解决方案。在资源极度受限的环境中，即使仅对高质量标题使用简单的 BM25，也能提供一个合理且高效的基准。顶级重排序器（无论是视觉还是文本）带来的显著延迟，仍是在交互式 RAG 系统部署的主要挑战。

What’s the Best Way to Retrieve Slides? A Comparative Study of Multimodal, Caption-Based, and Hybrid Retrieval Techniques,https://arxiv.org/pdf/2509.15211v1

本文转载自​​大模型自然语言处理​​   作者：余俊辉