UniME 是一个基于多模态大模型的通用嵌入学习模型，专注于打破模态壁垒，实现跨模态检索和嵌入学习。

基于SigLIP 2微调的视觉语言模型，最大文本长度从64提升至256标记

基于Qwen2.5-Omni-7B构建的多模态嵌入模型，支持跨语言文本、图像、音频和视频的统一嵌入表示

Nomic Embed Multimodal 3B是一款顶尖的多模态嵌入模型，专注于视觉文档检索任务，支持统一文本-图像编码，在Vidore-v2测试中达到58.8 NDCG@5的卓越性能。

ColNomic Embed多模态3B是一款30亿参数的多模态嵌入模型，专为视觉文档检索任务设计，支持多语言文本和图像的统一编码。

首个专为金融时间序列预测设计的检索器，基于检索增强生成（RAG）框架

基于BAAI/bge-m3模型在泰语法律查询数据上微调的版本，支持稠密检索、词法匹配和多向量交互

LLaVE-7B是基于LLaVA-OneVision-7B模型的70亿参数多模态嵌入模型，具备文本、图像、多图像和视频的嵌入表示能力。

LLaVE-2B是基于Aquila-VL-2B模型的20亿参数多模态嵌入模型，具有4K tokens的上下文窗口，支持文本、图像、多图像和视频的嵌入表示。

LLaVE是基于LLaVA-OneVision-0.5B模型的多模态嵌入模型，参数规模为0.5B，能够对文本、图像、多图像和视频进行嵌入。

基于SigLIP架构的视觉Transformer模型，仅包含图像编码器部分，采用原始注意力池化机制

TaxaBind 是一个包含六种模态的多模态嵌入空间模型，专注于生态应用，支持利用分类学文本类别对物种图像进行零样本分类。

DSE-QWen2-2b-MRL-V1 是一个双编码器模型，专为将文档截图编码为密集向量以实现文档检索而设计。

bge-m3嵌入模型的GGUF量化版本，适用于高效的文本嵌入任务

E5-V是基于多模态大语言模型的通用嵌入方法，能够处理文本和图像输入并生成统一的嵌入表示。

高性能视觉嵌入模型，与nomic-embed-text-v1.5共享相同的嵌入空间，支持多模态应用

高性能视觉嵌入模型，与nomic-embed-text-v1共享相同的嵌入空间，支持多模态应用

BGE-M3是一个支持稠密检索、词汇匹配和多向量交互的嵌入模型，已转换为ONNX格式以便兼容ONNX Runtime等框架。

SigLIP是一种基于视觉-语言预训练的模型，适用于零样本图像分类任务。

OpenAI开源的CLIP模型，基于Vision Transformer架构，支持图像与文本的跨模态理解

中文CLIP的基础版本，采用ViT-B/16作为图像编码器，RoBERTa-wwm-base作为文本编码器，在约2亿中文图文对的大规模数据集上训练。