在多模态人工智能领域，智源研究院与多所高校合作推出了全新的多模态向量模型 BGE-VL，标志着多模态检索技术的一次重大突破。自发布以来，BGE 系列模型便获得了广泛赞誉，而 BGE-VL 的推出则进一步丰富了这一生态系统。该模型在图文检索、组合图像检索等多项关键任务中表现出色，展现出其卓越的性能。
BGE-VL 的成功归功于其背后的 MegaPairs 数据合成技术。这一创新方法通过挖掘现有的大规模图文数据，自动生成高质量的多模态三元组数据，显著提升了数据的可扩展性和质量。MegaPairs 能够以极低的成本生成多样化的数据集，其包含超过2600万条样本，为多模态检索模型的训练提供了丰厚的基础。这一技术让 BGE-VL 在多个主流多模态检索基准上都取得了领先成绩。
在多模态检索日益受到重视的今天，用户对信息的获取需求愈发多样化。以往的检索模型多依赖于单一的图文对进行训练，无法有效应对复杂的组合输入。而 BGE-VL 通过引入 MegaPairs 数据，克服了这一局限，使得模型能够更全面地理解和处理多模态查询。
智源团队在多个任务的性能评测中，发现 BGE-VL 模型在 Massive Multimodal Embedding Benchmark（MMEB）上的零样本性能表现优异，尽管 MegaPairs 未涵盖 MMEB 中的大部分任务，但其任务泛化能力依然令人振奋。此外，在组合图像检索的评测中，BGE-VL 同样表现突出，大幅超过了众多知名模型，如谷歌的 MagicLens 和英伟达的 MM-Embed。
未来，智源研究院计划继续深化 MegaPairs 技术，结合更丰富的多模态检索场景，致力于打造更加全面和高效的多模态检索器，为用户提供更为精准的信息服务。随着多模态技术的发展，BGE-VL 的推出无疑将推动相关领域的进一步探索与创新。
论文地址:https://arxiv.org/abs/2412.14475
项目主页:https://github.com/VectorSpaceLab/MegaPairs
模型地址:https://huggingface.co/BAAI/BGE-VL-MLLM-S1
