少即是多：基于多信号后期融合的无图多模态 RAG

arXiv 论文提出 TrioRAG，一种无需构建语料级图结构的多模态 RAG 框架，融合问题、锚点图像与 VLM 增强查询三路信号，在共享多向量索引上独立检索后做 late fusion。作者同时发布 AutoQA 多模态汽车基准，其问题基于网络来源噪声图像、需跨手册推理，并声明为模型筛选的测试床而非人工验证金标准。在三个基准上 TrioRAG 匹配或超过图方法，总成本降低，单次查询推理加速 1.6 至 2.3 倍。

此前多模态跨文档问答多依赖构建语料级图，成本高、查询慢且难维护。该工作用共享多向量索引上的三路独立检索加后期融合替代图结构，在不牺牲效果的前提下降低成本并提速，说明图结构并非跨文档多模态检索的必要条件。

机制是绕开昂贵的语料级图构建，改为对页面文本与页面图像建立共享多向量索引；问题、锚点图像，以及由二者生成的 VLM 增强查询分别独立检索，再通过后期融合合并证据。其前提假设是文本派生信号，尤其 VLM 增强查询，比纯图像检索更稳健：在基于网图、脱离语料的 AutoQA 上图像检索文档级召回仅 19.3%，文本信号维持了检索表现。

对研发意味着可省去图构建与维护环节，直接复用多向量索引，缩短上线周期；单查询推理提速 1.6 至 2.3 倍并降低总成本，有利于在线多模态问答的延迟与预算控制。产品侧可优先强化查询改写与文本—图像混合索引，而非投入图管线；但图像检索在域外噪声图像上的低召回提示需以文本信号兜底。

• 将现有图式 RAG 管线改为共享多向量索引加三路信号后期融合，先在不含图维护的模块上做 A/B 对比延迟与成本。
• 上线 VLM 增强查询改写模块，并监控其对纯图像检索召回的补偿效果。
• 参照 AutoQA 构建面向自有业务、基于真实用户上传噪声图像的跨文档问答评测集。

• TrioRAG 在三个基准上的具体评测指标与统计显著性未被证据披露。
• AutoQA 作为模型筛选测试床，其结论能否外推到人工验证的标准基准尚不明确。
• 在图像检索召回仅 19.3% 的场景下，文本信号的稳健性上限与失效边界未知。
• 该方案在非汽车领域、更大规模语料上的成本与延迟表现未被验证。