Große multimodale Modelle (LMMs) zeichnen sich durch hervorragende Fähigkeiten in der natürlichen Sprache und visuellen Wahrnehmung aus, stoßen jedoch bei anspruchsvollen Aufgaben wie der knowledgebasierten visuellen Fragebeantwortung (KB-VQA) auf Schwierigkeiten. Diese Aufgaben erfordern die Abfrage relevanter Informationen aus Dokumentensammlungen, um fundierte Antworten auf Fragen zu generieren. Wir präsentieren einen umfassenden Trainings- und Evaluierungsrahmen, M2KR, für KB-VQA. M2KR umfasst eine Sammlung von Aufgaben aus den Bereichen Vision und Sprache, die wir in eine einheitliche Suite von Benchmark-Aufgaben für das Training und die Evaluation allgemeiner multimodaler Retriever integriert haben. Mittels M2KR entwickeln wir PreFLMR, eine vortrainierte Variante des kürzlich vorgestellten Fine-grained Late-interaction Multi-modal Retriever (FLMR)-Ansatzes für KB-VQA, und berichten über neue state-of-the-art-Ergebnisse auf einer Vielzahl von Aufgaben. Zudem führen wir Untersuchungen zur Skalierungseigenschaften von PreFLMR durch, die künftige Entwicklungen allgemeiner multimodaler Retriever unterstützen sollen.