# 多模態文檔檢索

Holo1-3B是基於Transformer架構的多模態模型，專注於視覺文檔檢索任務，在WebVoyager基準測試中表現出色，平衡了準確性和成本。

Holo1-7B GGUF模型是Surfer-H系統的一部分，適用於視覺文檔檢索等多模態任務，特別擅長網頁交互和網絡監控，能以較低成本實現高準確性。

基於granite-vision-3.3-2b構建的高效嵌入模型，專為多模態文檔檢索設計，可處理包含表格、圖表、信息圖和複雜佈局的文檔。

ColNomic Embed Multimodal 7B是一款多向量最先進的多模態嵌入模型，擅長視覺文檔檢索任務，支持多語言和統一文本圖像編碼。

ReT是一種支持多模態查詢與文檔檢索的創新方法，通過整合視覺與文本主幹網絡不同層級的多元表徵實現細粒度檢索。

ReT是一種支持多模態查詢與文檔檢索的創新方法，通過整合視覺與文本骨幹網絡不同層級的多元表徵實現細粒度檢索。

ReT是一種支持多模態查詢與文檔檢索的創新方法，通過融合視覺與文本骨幹網絡多層級表徵實現細粒度檢索。

基於Qwen2.5-VL-3B-Instruct與ColBERT策略的多語言視覺檢索模型，支持動態輸入圖像分辨率和多語言文檔檢索。

基於Qwen2.5-VL-3B-Instruct與ColBERT策略的多語言視覺檢索模型，支持動態輸入圖像分辨率，生成ColBERT風格的多向量文本與圖像表徵。

基於Qwen2.5-VL-7B-Instruct並採用ColBERT策略的多語言視覺檢索模型，在Vidore基準測試中排名第一

基於Qwen2.5-VL-3B-Instruct並採用ColBERT策略的多語言視覺檢索器，在Vidore基準測試中表現優異

基於Qwen2.5-VL-3B-Instruct與ColBERT策略的視覺檢索模型，能夠生成文本和圖像的多向量表示，用於高效文檔檢索。

基於Qwen2-VL-7B-Instruct並採用ColBERT策略的視覺檢索模型，專注於高效視覺特徵索引文檔

基於Qwen2-VL-2B-Instruct與ColBERT策略的視覺檢索模型，能夠生成多向量文本與圖像表示

基於Qwen2-VL-7B-Instruct與ColBERT策略的視覺檢索模型，支持多向量文本與圖像表示

ColPali是一種基於PaliGemma-3B擴展的視覺語言模型，能高效通過視覺特徵索引文檔，生成ColBERT式多向量表示。

VisRAG是基於視覺語言模型(VLM)的檢索增強生成(RAG)系統，可直接將文檔作為圖像進行嵌入表徵，避免傳統文本解析導致的信息損耗。