多模態的數據通過統一的向量表示，可以實現不同模態數據的互相檢索或者理解轉換，是多模態 AI 應用的基石。Jina.ai最近推出了全新的通用多語言多模態向量模型 Jina CLIP v2，在實現強大跨模態檢索可能的同時，也為多模態RAG應用奠定了基礎。

Paper: https://arxiv.org/abs/2405.20204

Model: https://huggingface.co/jinaai/jina-clip-v2

概覽

Jina-CLIP V2 是一款通用的、多語言、多模態（文本與圖像） Embedding 模型

多模態embedding技術能夠通過一致的表示方式，實現跨不同模態的數據搜索和理解。Jina-CLIP V2 基于Jina-CLIP V1和我們最近發布的Jina-Embeddings V3構建，帶來了幾項重大改進：

?? 性能提升：與V1相比，V2在文本-圖像和文本-文本檢索任務中展現了3%的性能提升。與V1類似，V2的文本編碼器可以作為一個有效的多語言長文本密集檢索器。其性能與我們的前沿模型Jina-Embeddings V3相當（目前是MTEB上最好的1B參數以下的多語言Embedding模型）。

?? 多語言支持：Jina-CLIP V2的文本部分使用了與Jina-Embeddings V3相同的架構，支持89種語言的多語言-圖像檢索，與nllb-clip-large-siglip相比，在多語言圖像檢索任務中顯示出高達4%的性能提升。

?? 更高圖像分辨率：Jina-CLIP V2現在支持512x512的輸入圖像分辨率，這是從V1的224x224的顯著提升。這一更高分辨率使得V2能夠更好地處理細節圖像，改進特征提取，并更準確地識別細粒度的視覺元素。

?? 可變維度輸出：Jina-CLIP V2引入了套娃式表示學習（Matryoshka Representation Learning，MRL）技術，只需設置 dimensions 參數，即可獲取指定維度的向量輸出，且在減少存儲成本的同時，保持強大的性能。

模型結構

Jina-CLIP V2參數量達到0.9B，融合了兩個強大的編碼器：

• 文本編碼器為Jina-XLM-RoBERTa，也是Jina-Embeddings V3的核心；
• 視覺編碼器為EVA02-L14，由BAAI開發的CLIP ViT模型。

這兩個編碼器的結合，使得Jina-CLIP V2在多模態任務中表現出色，能夠同時處理文本和圖像數據，為用戶提供更加精準和高效的信息檢索與理解能力。

這些編碼器經過CLIP聯合訓練，以創建對齊的圖像和文本表示。

類似于CLIP的模型已經成為通用多模態應用的骨干。有了Jina-CLIP V2，正在將這些能力提升到一個新的水平，打破語言障礙，提供更準確的跨模態理解和檢索。

性能

在跨模態檢索任務中，Jina CLIP v2 支持 89 種語言，在包括中文、英語、法語、德語、日語、俄語、阿拉伯語和西班牙語在內的主要語種中都表現優異。性能比目前最先進的 CLIP 模型 NLLB-CLIP-SigLIP 相當甚至更好。

Jina-CLIP V2 的文本和圖像編碼器均引入了套娃式表征學習（Matryoshka Representation Learning, MRL）技術，來實現靈活的靈活的輸出維度長度。輸出維度可以從 1024 截斷至 64 維，并在很大程度上能保持原有性能。

評估結果表明，即使是激進的 75% 維度削減，模型在文本、圖像和跨模態任務中仍能保持 99% 以上的性能，展現出了 Jina-CLIP V2 極高的壓縮效率。

本文轉載自公眾號思源數據科學 作者：思源Source

原文鏈接：??https://mp.weixin.qq.com/s/5auciYvg7MmpDS57bavb9Q??