ACL 2026 Industry Trackに採択された論文「MM-BizRAG: Rethinking Multimodal Retrieval-Augmented Generation for General Purpose Enterprise Q&A」が、エンタープライズ向け質問応答システムに新たな可能性を示しました。著者らは、既存のマルチモーダル検索拡張生成（MM-RAG）手法が複雑なエンタープライズ文書の構造化情報を十分に活用できていない問題に着目。現在主流の最小限の解析に依存するアプローチに代わり、文書構造を積極的に抽出・表現する手法を提案しています。
MM-BizRAGは、文書構造認識分割を用いて、文書を向きに応じた取り込みパイプラインに動的に振り分けます。縦型構造の文書（レポートなど）にはレイアウト認識解析を、横型構造の文書（スライドデッキなど）にはページ全体の表現を適用。統一されたLLM駆動のアーティファクト変換パイプラインにより、プレースホルダーベースの位置合わせで自然な読み順を保持します。さらに、推論時のマルチモーダルアセンブリにより検索表現と生成コンテキストを分離し、ファインチューニングを一切必要とせずに、よりリッチで根拠のある回答を生成可能にしました。
実験では、大規模で多様なエンタープライズデータセットと二つの公開ベンチマーク（SlideVQA、FinRAGBench-V）において、MM-BizRAGは最先端のビジョン中心ベースラインを最大32%上回る性能を示し、特にレポート形式のレイアウトで顕著な改善が見られました。また、細粒度の生成的再現性を評価するための新しいLLM評価指標FastRAGEvalも導入され、RAGCheckerと比較してコストを半減しつつ、人間との一致度が向上しています。
本研究は、エンタープライズQAの実用化に向けて、文書構造の明示的モデリングの重要性を強調するものです。今後の展開として、スマート文書処理や知識管理分野での応用が期待されます。