# マルチモーダル文書検索

Holo1-3BはTransformerアーキテクチャに基づくマルチモーダルモデルで、ビジュアル文書検索タスクに特化しており、WebVoyagerベンチマークテストで優れた性能を発揮し、精度とコストのバランスが良い。

Holo1-7B GGUFモデルはSurfer - Hシステムの一部で、視覚文書検索などのマルチモーダルタスクに適しており、特にウェブページのインタラクションとネットワーク監視に長けており、低コストで高い精度を実現できます。

granite-vision-3.3-2bをベースに構築された効率的な埋め込みモデルで、マルチモーダル文書検索用に設計されており、表、グラフ、インフォグラフィック、複雑なレイアウトを含む文書を処理できます。

ColNomic Embed Multimodal 7Bは、マルチベクトルの最先端マルチモーダル埋め込みモデルで、視覚文書検索タスクに優れ、多言語対応と統一テキスト画像エンコーディングをサポートします。

ReTは、視覚とテキストのバックボーンネットワークの異なるレベルの多元的な表現を統合することで、きめ細かい検索を実現する、マルチモーダルクエリと文書検索をサポートする革新的な方法です。

ReTはマルチモーダルクエリと文書検索をサポートする革新的な手法で、視覚とテキストのバックボーンネットワークの異なるレイヤーの多元的な表現を統合することで細粒度検索を実現します。

ReTはマルチモーダルクエリと文書検索をサポートする革新的な手法で、視覚とテキストのバックボーンネットワークのマルチレベル表現を融合することで細粒度検索を実現します。

Qwen2.5-VL-3B-InstructとColBERT戦略に基づく多言語視覚検索モデルで、動的入力画像解像度と多言語文書検索をサポートします。

Qwen2.5-VL-3B-InstructとColBERT戦略に基づく多言語視覚検索モデルで、動的入力画像解像度をサポートし、ColBERTスタイルのマルチベクトルテキストと画像表現を生成します。

Qwen2.5-VL-7B-InstructをベースにColBERT戦略を採用した多言語視覚検索モデルで、Vidoreベンチマークテストで1位を獲得

Qwen2.5-VL-3B-InstructをベースにColBERT戦略を採用した多言語視覚検索モデルで、Vidoreベンチマークテストで優れた性能を発揮

Qwen2.5-VL-3B-InstructとColBERT戦略に基づく視覚検索モデルで、テキストと画像のマルチベクトル表現を生成し、効率的な文書検索に使用できます。

Qwen2-VL-7B-InstructをベースにColBERT戦略を採用した視覚検索モデルで、効率的な視覚特徴インデックス文書に特化

Qwen2-VL-2B-InstructとColBERT戦略に基づく視覚検索モデルで、マルチベクトルのテキストと画像表現を生成可能

Qwen2-VL-7B-InstructとColBERT戦略に基づく視覚検索モデルで、マルチベクトルテキストと画像表現をサポート

ColPaliはPaliGemma-3Bを拡張した視覚言語モデルで、視覚的特徴を通じて文書を効率的にインデックス化し、ColBERTスタイルのマルチベクトル表現を生成します。

VisRAGは視覚言語モデル(VLM)に基づく検索拡張生成(RAG)システムで、文書を画像として直接埋め込み表現でき、従来のテキスト解析による情報損失を回避します。