Hugging Face BlogT1·开发与工程
68 分
Sentence Transformers 库新增对多模态嵌入与重排序模型的训练及微调功能,支持文本、图像、音频和视频数据。该更新以 Qwen3-VL-Embedding 为例,展示了如何在视觉文档检索等任务上进行定制化训练,降低了多模态 RAG 系统的开发门槛。
Visual Document Retrieval
直接从文档图像中检索相关页面或信息片段的任务
Sentence Transformers 库新增对多模态嵌入与重排序模型的训练及微调功能,支持文本、图像、音频和视频数据。该更新以 Qwen3-VL-Embedding 为例,展示了如何在视觉文档检索等任务上进行定制化训练,降低了多模态 RAG 系统的开发门槛。
LlamaIndex 团队发布并开源了 vdr-2b-multi-v1,这是目前性能最佳的多语言视觉文档检索嵌入模型。该模型基于新发布的包含 50 万高质量样本的最大开源多语言合成数据集训练,显著提升了跨语言场景下的文档理解与检索能力。