Qwen3-VL-Embedding 相关 AI 资讯 · AI 热点

8月14日

10:39

10:39

官方账号arXiv cs.LG@Yi-Chung Chen, Philip Jacobson, Tom Lampo, Yiren Lu, Jin Yao, David I. Inouye, Jing Gao, Danhua Guo, Burhan Yaman

论文提出TraVEL方法，用于提升驾驶视频检索。研究者先在nuReasoning数据集上对Qwen3-VL-Embedding进行InfoNCE微调，再引入轨迹相似度作为GRPO奖励。相比纯监督微调，TraVEL在2B模型上使纵向和横向mAP分别提升9.8和4.7个百分点，在8B模型上分别提升7.2和1.5个百分点。该方法不需要外部感知输出，推理时仅靠单向量检索。

论文 TraVEL Qwen3-VL-Embedding nuReasoning

推荐理由：想搞自动驾驶数据检索的可以看看这个TraVEL，用行车轨迹当训练信号，让模型更懂左转右转、加速减速，比普通微调强不少。

6月18日

01:34

01:34

Milvus@milvusio

精选

Milvus在DocVQA上对比ColQwen（多向量）与Qwen3-VL-Embedding（稠密）的检索性能。精确搜索下，ColQwen3的nDCG@10为0.698，比稠密的0.521高17.7个百分点。近似搜索（LEMUR，ratio=5.0）中，ColQwen3得0.704，领先18.3点，且近似损失几乎为零。在MS MARCO等文本基准上，多向量优势被近似搜索抹平。多向量通过保留表格、图表等空间结构获得提升，适合发票、报告等视觉文档。

AI模型 ColQwen Qwen3-VL-Embedding Milvus

推荐理由：Milvus用ColQwen和Qwen3-VL-Embedding做了对比，发现多向量在检索带图表的文档时比稠密向量强近18个点，近似搜索不掉分。处理PDF或扫描件可以关注这个结果。