多模態 RAG
DualG-MRAG 將多模態知識圖拆成兩層，MMQA 的 R@5 提高至 61.9%
DualG-MRAG 以巨觀圖尋找跨文件推理路徑，再用微觀圖核對局部影像與文字證據，避免細粒度節點使知識圖快速膨脹。研究在 MMQA 將 R@5 從最佳圖式基線的 42.1% 提高至 61.9%，但尚未公開程式碼與索引建置成本。
多模態 RAG 常在兩種表示之間取捨：只替整份文件建立節點，容易遺失圖像區域、表格欄位等局部證據；把所有細節塞進同一張知識圖，又會造成節點與邊暴增，讓檢索混入大量噪音。7 月 30 日提交的 DualG-MRAG 將這兩項工作拆開，以 Macro Graph 保存文件、實體及跨模態關係，負責全域拓撲路由；Micro Graph 則保留細粒度內容，只在候選範圍內執行局部比對。
查詢進入後，GNN Retriever 透過訊息傳遞更新不同證據的相關性。系統再把 GNN 前向傳播展開成有向無環圖，以動態規劃抽取高機率證據路徑，交給 Qwen3-VL-4B 或 8B 作答，而非僅串接彼此獨立的 top-k chunks。微觀檢索先以向量索引取得 top-K 錨點，再於受限子圖中進行啟發式 branch-and-bound；論文估計查詢圖通常少於五個節點，但這仍是依賴資料結構與參數的分析。
在包含文字、圖像及表格的 MMQA 測試上，DualG-MRAG 的 R@2／R@5 為 49.4%／61.9%，相較 MMGraphRAG 的 31.8%／42.1% 明顯提高；WebQA 的 R@5 為 58.2%。平均查詢延遲約 0.44 秒，遠低於作者測得 MMGraphRAG 的約 40.5 秒，但仍慢於 VLM2Vec-V2.0 的約 0.09 秒。移除 Macro Graph 後，MMQA R@5 降至 21.8%，顯示主要收益確實來自全域路由。
工程上值得觀察的是離線建圖時間、索引容量、增量更新，以及延遲能否在不同硬體與大型企業語料重現。實驗只抽取 MMQA、WebQA 各 1,000 題，程式與完整索引尚未公開；此外，顯式路徑對 8B 模型的 MMQA EM 並無穩定收益，代表較強模型可能反而被固定路徑限制。