基于Qwen2视觉模型与stella_en_1.5B_v5结合的多语言视觉检索器，在Vidore基准测试中参数量≤20亿的模型中排名第一

VisRAG是基于视觉语言模型(VLM)的检索增强生成(RAG)系统，可直接将文档作为图像进行嵌入表征，避免传统文本解析导致的信息损耗。

Jina CLIP v2 是一个通用的多语言多模态嵌入模型，适用于文本和图像，支持89种语言，具有更高的图像分辨率和嵌套表示能力。