Ovis-Embedding 用共享 Qwen-Omni 骨干把文本、图像、视频、音频放进同一检索空间,在 MMEB-v3 上以 3B 规模取得 58.46 的总分
该工作报告了 Ovis-Embedding 系列通用全模态嵌入模型:以预训练 Qwen-Omni 为共享骨干、去掉语音生成通路并以最后一个非填充 token 的末层隐状态作为嵌入,配合约 5000 万查询—目标对的全模态语料、同源采样、focal 损失与嵌入蒸馏训练,以及低秩特征分解的弹性维度推理,在 MMEB-v3、MMEB-v2、MVEB、MAEB 和 RTEB 上报告了领先成绩。