智猩猩 AI 整理
编辑： 宁宁
随着多模态大模型能力不断增强，RAG 已经不再只是 " 文本检索 + 文本回答 "。在真实应用中，Agent 需要同时处理文本、图片、PPT、视觉文档、网页截图、长视频甚至跨视频语料。问题也随之出现：视觉信息通常 token 成本高，但真正与问题相关的线索又很稀疏。直接把所有视觉内容塞进上下文，会造成 token 膨胀、噪声干扰和推理效率下降；如果简单压缩成文本摘要，又容易丢失图表、页面布局、关键帧等细粒度证据。
针对这一痛点，阿里通义实验室提出VimRAG，一种面向全模态检索增强推理的框架。它不再把 Agent 的历史交互简单拼接成线性上下文，而是构建动态的全模态记忆图，用图结构记录检索路径、视觉证据和推理依赖，并根据节点重要性动态分配视觉 token。实验显示，VimRAG 在文本、图片 / 视觉文档、长视频等全模态 RAG 基准上取得领先效果，在 Qwen3-VL-8B-Instruct 上整体分数从最强基线 Mem1 的 43.6 提升到 50.1。
论文标题：
VimRAG: Navigating Massive Visual Context in Retrieval-Augmented Generation via Multimodal Memory Graph
论文链接：
https://arxiv.org/abs/2602.12735v1
GitHub 仓库地址：
https://github.com/Alibaba-NLP/VRAG
01 方法
图 1 VimRAG 整体框架
传统 Agent 常采用 ReAct 式流程，不断进行 " 思考—动作—观察 "，并把每一轮交互追加进上下文。这种方式在短文本任务中问题不大，但面对长视觉文档和视频语料时，很容易出现三个问题：历史越来越长、关键证据被淹没、模型忘记自己已经检索过什么，进而产生重复搜索和无效推理。
VimRAG 包含三类核心设计。
（1）Multimodal Memory Graph
它将多轮推理过程建模为一个动态有向无环图。图中的每个节点都代表一次 Agent 的认知状态，包含父节点、子查询、文本摘要和全模态记忆。模型每进行一次检索、观察或记忆更新，都会在图中形成一个节点。这样 Agent 不仅知道 " 我看到了什么 "，还知道 " 这个信息来自哪个子问题 "" 它和之前的推理路径有什么关系 "。
在推理过程中，VimRAG 主要包含三类动作：
（i）检索动作，用于根据当前问题或子问题搜索文本、图片、视频等外部信息；
（ii）记忆动作，用于对检索到的全模态内容进行观察、筛选、压缩并写入图节点；
（iii）回答动作，当证据足够时生成最终答案。相比线性历史，这种结构能够帮助模型区分有效路径和无效探索，避免陷入重复检索。
图 2 不同记忆结构对比
（2）Graph-Modulated Visual Memory Encoding（图调制视觉记忆编码）
全模态 RAG 的关键矛盾在于视觉信息不能全部保留，也不能全部丢弃。全部保留会带来巨大的 token 成本，全部转写成文本又会损失视觉细节。VimRAG 会为每个视觉记忆项计算一个 " 能量值 "，再按照能量高低动态分配视觉 token。
这个能量值主要由三类因素决定：
（i）语义相关性，即视觉内容是否与当前问题相关；
（ii）图拓扑位置，即该节点是否支撑了后续关键推理；
（iii）时间衰减，即较早且不再重要的信息会逐渐降低权重。
更重要的是，VimRAG 还引入递归反馈机制：如果一个早期节点虽然表面上不突出，但它支撑了后续高价值推理节点，那么它的权重也会被反向增强。这样可以避免关键证据被过早遗忘。
图 3 不同跨模态记忆策略对比
（3）Graph-Guided Policy Optimization
在多步 Agent 任务中，最终答案正确不代表中间每一步都有效；最终答案错误，也不代表每一步检索都没有价值。VimRAG 利用记忆图做图剪枝：对于答对的轨迹，只强化通向答案节点的关键路径，屏蔽无关探索；对于答错的轨迹，如果其中某些节点确实检索到了有效证据，就不对这些节点施加负向惩罚。这样，训练信号就从粗粒度的 " 整条轨迹对错 "，细化为 " 每个节点是否真正有价值 "。
图 4 图引导策略优化
02 实验设置及结果分析
为了验证方法效果，研究团队在多类数据集上进行了实验，覆盖通用文本问答、图片与视觉文档理解、长视频与视频语料理解等场景。具体包括 HotpotQA、SQuAD、WebQA、SlideVQA、MMLongBench、LVBench、WikiHowQA、SyntheticQA，以及研究团队构建的 XVBench。
对比方法包括 Vanilla RAG、ReAct、UniversalRAG、VideoRAG、MemAgent 和 Mem1。这些方法分别代表直接检索增强、交互式推理、跨模态路由、视频 RAG 和记忆式 Agent 等不同技术路线。实验基于 Qwen3-VL-4B-Instruct 和 Qwen3-VL-8B-Instruct 两个模型规模进行评估。
主实验结果如图 5 显示，VimRAG 在两个模型规模上都取得最佳整体表现。在 Qwen3-VL-4B-Instruct 上，最强基线 Mem1 的整体分数为 40.6，而 VimRAG 达到 45.2；在 Qwen3-VL-8B-Instruct 上，Mem1 为 43.6，VimRAG 提升到 50.1。这说明 VimRAG 的收益并不只是依赖模型规模，而是来自其结构化记忆和视觉证据管理机制。
图 5 VimRAG 主实验结果
从结果分析看，ReAct 这类线性历史方法容易受到视觉 token 膨胀影响，交互轮数越多，越容易出现重复检索和上下文干扰。VideoRAG、UniversalRAG 等方法虽然在特定任务上有优势，但推理流程相对固定，泛化到复杂跨模态任务时表现有限。相比之下，VimRAG 显式建模检索路径和推理依赖，因此更适合长程、多跳、全模态任务。
研究团队还进行了消融实验。结果表明，图结构能够缓解状态盲区，全模态记忆能够减少视觉信息丢失，基于能量的视觉 token 分配进一步提升关键证据保留能力，而图引导策略优化则提高了训练稳定性和样本利用效率。这说明 VimRAG 的三个模块并不是单点改进，而是形成了从记忆结构、视觉压缩到训练监督的完整闭环。
图 6 消融与效率分析
03 总结
VimRAG 把全模态 RAG 的问题从 " 如何检索更多信息 "，推进到 " 如何组织、筛选并利用这些信息 "。面对大规模视觉上下文，真正有效的 Agent 不仅要能找到信息，还要知道哪些信息重要、它们来自哪条推理路径、又如何支撑最终答案。
（1）全模态记忆图，VimRAG 让推理过程从线性历史变成结构化拓扑；
（2）图调制视觉编码，它让模型按重要性分配视觉 token；
（3）图引导策略优化，它让训练信号从最终答案对错细化到节点级行为价值。
全模态 Agent 的下一阶段竞争，不只是基础模型能力的竞争，也会是记忆结构、上下文管理、检索路径规划和强化学习监督机制的竞争。VimRAG 给出的答案是：在视觉信息越来越庞大的 RAG 场景中，Agent 需要的不只是 " 看得更多 "，而是 " 记得更准、用得更对 "。
入群申请
