Hugging Face 推出多模态嵌入与重排序模型
hugging face 在 sentence transformers 库中发布了多模态嵌入和重排序模型。该更新通过将文本和图像映射到共享向量空间，实现了跨模态搜索、视觉文档检索和多模态 rag 管道。基于 vlm 的模型需要 8gb 至 20gb 显存。
Hugging Face 更新了 Sentence Transformers 库，以支持多模态能力，允许嵌入和重新排序模型将文本和图像映射到共享的向量空间。此功能使用户能够执行跨模态检索任务，例如使用文本查询搜索图像或构建多模态 RAG 管道。支持 Qwen3-VL-2B 等模型，2B 变体需要至少 8GB VRAM，8B 变体需要 20GB VRAM 才能高效运行。