Ovis-Embedding：推进通用全模态嵌入
原文标题：Ovis-Embedding: Pushing the Frontiers of Universal Omni-Modal Embeddings
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出Ovis-Embedding全模态嵌入模型族，基于共享多模态骨干将文本、图像、视频、音频编码到统一表示空间。三项关键进展包括原生全模态初始化、数据中心化训练与嵌入专用优化。该模型族在MMEB-v3、MMEB-v2、MVEB、MAEB、RTEB上均达到最先进水平。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Ovis-Embedding用共享多模态骨干统一文本图像视频音频，在五个基准上均达SOTA。
- •不做独立模态塔，改用共享多模态骨干将四种模态编码到同一表示空间
- •以预训练Qwen-omni为嵌入骨干，通过低秩初始化的对比训练适配
- •数据中心化训练：构建跨文本、图像、视频、音频及交错数据的语料，用同源采样构造任务一致批次与有信息量的批内负样本
- •用focal loss强调困难样本，并以基于相似度的嵌入蒸馏从互补专家迁移细粒度相似结构
- •推理时低秩特征分解支持紧凑嵌入与灵活维度；在MMEB-v3、MMEB-v2、MVEB、MAEB、RTEB上均达SOTA
为什么重要：全模态检索与嵌入是RAG和多模态应用的基础设施，统一骨干路线若成立，可省去多塔拼接的工程与对齐成本。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。