应用场景
统一语义向量能力，覆盖检索、RAG、文档理解与推荐
跨模态检索
将文本、图片、视频统一映射到同一向量空间，实现 “以文搜图 / 视频、以图/视频搜文” 的跨模态精准匹配。
多模态RAG
知识库支持图文、视频、文档混合检索，为生成模型提供更丰富的多模态上下文，显著提升回答的准确性和全面性。
GUI Agent
将屏幕截图、界面元素与操作指令映射至同一向量空间，快速匹配相似操作场景与帮助文档，驱动智能界面交互。
智能推荐系统
统一编码图片、标题描述、正文、用户行为等多模态数据，计算个性化相似度，实现精准的内容与商品推荐。
模型特点
多语言、多模态与企业文档智能场景的核心优势
多语言多种模态精准检索
可理解中英文等多种语言的文字、图片、视频内容。可根据用户自定义指令，精准筛选特定模态、特定类型的语料。
极致存储与算力优化
按需维度裁剪，大幅降低向量存储占用与检索算力开销。内置 int8 无损量化能力，可进一步压缩 50% 以上存储空间，且不影响检索效果。
专为企业文档智能设计
企业级知识检索，为企业打造更精准、更全面、更智能的知识服务体系，让 AI 真正成为赋能业务增长的“超级大脑”。
模型效果
MMEB 与 VisDoc 权威评测结果
MMEB 综合榜单结果
RzenEmbed-v2-7B 在国际多模态 Embedding 评测基准 MMEB中，斩获总排名第一 + 单项第一的双料冠军。
MMEB-V2 Benchmark 结果
RzenEmbed 在 2B 和 7B 两个模型规模下都保持强竞争力，VisDoc 专项表现尤为突出。
技术亮点
两阶段训练、对比学习优化与模型融合等核心技术亮点
两阶段训练范式
RzenEmbed 采用“基础预训练 + 精细微调”的两阶段训练模式，通过高质量的训练数据，在通用能力与企业特定场景，如文档检索、视频分析等适配之间取得了卓越的平衡。
改进对比学习机制
通过假阴性缓解机制和基于相似度阈值的智能筛选策略，引入指数加权机制放大高相似度难样本的损失贡献，让模型精准捕捉细微差异。
可学习的“温度”参数
针对图像分类、文档检索、视频问答等 7 大类核心任务，分别设计独立的可学习温度参数，通过参数化方式为不同业务场景量身定制优化目标。
采用模型融合技术
先通过不同任务与方法训练多个专家模型，再通过模型融合技术合成一个强大的模型，仅需单次推理即可生成更具区分度的检索向量。