Ovis-VL-Embedding-9B

Ovis-VL-Embedding-9B är en inbäddningsmodell, alltså en modell som inte skriver text utan gör om innehåll till en lång rad tal (en vektor). Innehåll som betyder ungefär samma sak hamnar nära varandra, så att man kan söka efter bilder med text, hitta rätt sida i ett dokument eller rätt videoklipp. Modellen hanterar text, bilder, visuella dokument som skannade sidor, video och blandningar av dem, men inte ljud. För ljud hänvisar teamet till en systermodell, Ovis-Embedding-Omni-3B.

Modellen bygger på Qwen3.5-9B, där text- och bildkodare behålls men delen som genererar text tas bort. Vektorn tas direkt från modellens sista lager och har 4 096 tal. Den hör till Ovis-Embedding-familjen, som beskrivs i en teknisk rapport från september 2026 där modellerna tränats med kontrastiv inlärning på en bred multimodal datamängd, med särskild vikt vid svåra exempel.

Enligt teamet får modellen 81,13 på testsviten MMEB-v2 (78 datamängder), drygt en poäng före den bästa jämförda modellen. Den är starkast på bilder (83,96) och visuella dokument (83,06) men ligger efter på video (72,90 mot 75,95). Den finns på Hugging Face under Apache 2.0-licensen.