<figure><img src="https://rss.neurootlichnik.ru/images/2d7901fa-406a-4d92-adcb-58127c39293a/0.jpg"></figure>
<p><b>UEmbed</b> — новая мультимодальная модель эмбеддингов от Alibaba, которая сразу привлекает внимание своим подходом: она работает по принципу <b>decoder-only</b> и в одном проходе формирует два типа представлений — плотные и разреженные. Это значит, что модель может быть полезна как для семантического поиска, так и для классического лексического поиска, не требуя дополнительных преобразований или моделей.</p>
<p>Главная особенность UEmbed — универсальность. На вход можно подать текст, изображение или видео, а на выходе получить совместимые эмбеддинги. Благодаря этому появляется возможность искать текст по картинке, картинку по видеофрагменту или наоборот. Все данные приводятся к единому векторному пространству, что особенно удобно для гибридных сценариев поиска.</p>
<h3>Два типа эмбеддингов</h3>
<p>UEmbed генерирует:</p>
<ul>
<li><b>Плотные эмбеддинги</b> — подходят для задач семантического поиска и retrieval, когда важно учитывать смысл запроса.</li>
<li><b>Разреженные эмбеддинги</b> — эффективны для лексического поиска, где важна точная формулировка слов.</li>
</ul>
<p>Такой подход позволяет использовать одну модель для разных задач, не переключаясь между инструментами.</p>
<h3>Размеры и доступность</h3>
<p>Модель доступна в трёх вариантах: 2B, 4B и 9B параметров. Это даёт возможность выбрать оптимальный баланс между качеством и ресурсами для конкретных задач.</p>
<p>Исходный код и веса доступны на GitHub и Hugging Face, что упрощает интеграцию и эксперименты для разработчиков.</p>
Нейро Отличник
www.neurootlichnik.ru