MMEB-V2
PulseAugur coverage of MMEB-V2 — every cluster mentioning MMEB-V2 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
ReLoop-UME 通过循环深度和检索寄存器推进多模态嵌入
研究人员推出了一种新颖的通用多模态嵌入方法 ReLoop-UME，该方法提高了效率和性能。该方法在模型深度之间重用了参数共享的检索形成块，并利用可学习的检索寄存器来累积证据。与现有模型相比，这种循环过程可以实现更快的检索和更好的特征形成。ReLoop-UME 在 MMEB-V2 和 MRMR 等基准数据集上展示了显著的速度提升和更好的检索准确性。
-
Eddy-VL 1.9B: 用于边缘部署的压缩多模态模型
研究人员开发了Eddy-VL 1.9B，这是一种压缩的多模态嵌入模型，专为无云访问环境中的边缘部署而设计。Eddy-VL基于Qwen3-VL-Embedding-2B构建，利用结构化剪枝和分层蒸馏，将参数数量减少了约9.5%，同时在MMEB-V2基准测试中保持了超过91%的教师模型性能。这种压缩还将前向延迟降低了10%，使其适用于需要低延迟和离线功能的应用程序，例如法证调查。虽然在组合推理方面表现强劲，但在Winoground等任务上…
-
新的SMART框架通过潜在多向量能力增强多模态检索
研究人员推出SMART框架，旨在通过释放标准单向量嵌入模型中隐藏的多向量能力来增强多模态检索。该方法在推理过程中使用对比训练和后期交互，以提高跨各种模态的性能。SMART可以作为即插即用升级或通过轻量级后期训练应用，提供一种提高检索准确性并优于现有模型的有效方法。
-
FreeRet 框架将多模态大语言模型转变为无训练检索器
研究人员开发了 FreeRet，一个新颖的框架，使多模态大语言模型 (MLLMs) 能够在无需额外训练的情况下有效充当检索器。这个即插即用系统从现成的 MLLMs 中提取语义基础的嵌入，用于初步候选搜索，然后利用其推理能力进行精确的重排序。FreeRet 在 MMEB 和 MMEB-V2 基准测试中，展示了比在数百万对数据上训练的模型显著的性能提升，显示了其在单一模型内统一检索、重排序和生成功能的潜力。
-
新的RIME框架通过优化生成和检索来增强多模态嵌入。
研究人员推出了一种名为重写驱动的多模态嵌入（RIME）的新框架，旨在增强生成式多模态嵌入。RIME通过一个检索友好的重写过程优化生成和嵌入，从而解决了思维链推理的局限性。该框架还整合了跨模态对齐（CMA）以连接生成式和判别式嵌入空间，并采用精炼强化学习（Refine-RL）使用稳定的语义锚点来指导优化。实验表明，RIME在缩短思考步骤长度的同时，性能优于现有的生成式嵌入模型。