Ovis-Embedding: універсальна мультимодальна модель ембеддингів для тексту, зображень, документів, відео та аудіо
Опубліковано сімейство універсальних ембеддинг-моделей на базі Qwen2.5-Omni для будь-якого типу даних. Вони досягають кращих результатів на бенчмарку MMEB-v3 на 5,19 бали краще за найсильніший базлайн.
ВердиктПозитивнаImpact 5/10
🔬 Цікаво, але не для вас. Це дослідження без готового продукту — компанія на 10-50 людей не зможе використати це в роботі цього тижня.
Ключові тези
- Omni-Embedding-3B на базі Qwen2.5-Omni дозволяє будь-який-до-будього пошук одним енкодером
- Варіанти VL-Embedding 2B та 9B оптимізовані для тексту-зображення, документів та змішаних модальностей
- Ембеддинги стискаються до 128 вимірів з 2048 для обмежених розгортань
- Перевершує найсильніший базлайн на MMEB-v3 на 5,19 бали у всіх модальностях
- Випущено під ліцензією Apache 2.0, доступно на GitHub та Hugging Face
🎯 Чи підходить це вашому бізнесу?
Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.
Заповнити профіль · 30 секундТакий розбір щоранку о 08:00
Персональний AI-дайджест для вашої галузі — щодня у Telegram
multimodalembeddingOvis-EmbeddingQwen2.5-OmniMMEB-v3Apache2.0any-to-anysearchembeddingcompression
Навчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiupskill.live