“在AI的世界里，图像与文本不应是两个独立的宇宙，而是同一个语义宇宙的两个侧面。”

---

一、为什么我们需要多模态嵌入？

在AI的早期发展中，文本和图像被视为两个完全独立的领域。文本可以被嵌入为向量，图像也能被编码为特征，但它们处于相互隔离的向量空间中，如同隔着一堵"模态墙"。

传统方法的局限：

• 文本嵌入模型无法理解"那张有黑色汽车的图片"
• 图像特征向量无法与"黑色汽车"的文本描述进行语义匹配
• 无法实现跨模态的语义检索与理解

**多模态嵌入（Multimodal Embedding）的出现，正是为了解决这一核心挑战。其目标是将不同模态的数据（文本、图像、音频、视频）**映射到同一个共享的向量空间中，使"一只奔跑的狗"的文本描述与真实图片的向量在空间中彼此靠近。

关键突破：通过对比学习、Transformer架构和注意力机制，模型学会了在共享空间中对齐不同模态的语义。

---

二、CLIP：多模态嵌入的里程碑

OpenAI的CLIP (Contrastive Language-Image Pre-training) 为多模态嵌入定义了一个有效范式，其核心创新在于：

2.1 双编码器架构

CLIP采用双编码器架构，包含：

• 图像编码器：将图像转换为向量
• 文本编码器：将文本转换为向量

两者共享同一个向量空间，通过对比学习训练，使语义相关的图文对在空间中距离更近。

2.2 对比学习策略

在训练过程中，CLIP的优化目标是：

• 最大化正确图文对的相似度
• 最小化错误图文对的相似度

这种"拉近正例，推远负例"的策略，让模型从海量数据中学习到了跨模态的语义关联。

2.3 零样本能力

CLIP的对比学习赋予了它强大的零样本（Zero-shot）识别能力。例如：

• 判断图片是否为猫：只需计算图片向量与"photo of a cat"文本向量的相似度
• 无需针对猫的分类任务进行微调，即可实现对视觉概念的泛化理解

CLIP的影响力：它证明了大规模对比学习在跨模态对齐中的有效性，为后续多模态模型奠定了基础。

---

三、BGE-M3：现代多模态嵌入的集大成者

在CLIP的基础上，多模态嵌入领域迅速发展，涌现出众多针对不同场景优化的模型。其中，BGE-M3（由北京智源人工智能研究院BAAI开发）代表了当前技术向"更统一、更全面"发展的趋势。

3.1 BGE-M3的"M3"特性

BGE-M3的名称源自其三大核心优势：

特性	说明	优势
多语言性 (Multi-Linguality)	原生支持100+种语言	跨语言图文检索无缝支持
多功能性 (Multi-Functionality)	同时支持密集检索、多向量检索和稀疏检索	适应不同场景的灵活检索策略
多粒度性 (Multi-Granularity)	有效处理从短句到8192 token的长文档	覆盖广泛的应用需求

3.2 技术架构创新

BGE-M3在技术架构上实现了突破性改进：

• 基于XLM-RoBERTa优化的联合编码器：继承了BGE强大的文本表示能力
• 网格嵌入（Grid-Based Embeddings）：不同于CLIP对整张图编码，将图像分割为网格单元独立编码
  • 优势：显著提升对图像局部细节的捕捉能力
  • 应用场景：多物体重叠、复杂场景的图像理解

技术对比：

• CLIP：整图编码，适合简单场景
• BGE-M3：网格编码，适合复杂场景，对局部细节更敏感

---

四、BGE-M3实战：代码示例与解读

4.1 环境准备

# 安装所需依赖
pip install -q torch transformers pillow requests

# 安装visual_bge模块
pip install -q git+https://github.com/BAAI/VisualBGE.git

4.2 模型下载

import os
import requests
from pathlib import Path
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"

def download_visualized_bge_model():
    """
    下载 Visual BGE 模型权重文件
    如果模型文件不存在，则从 Hugging Face 下载
    """
    # 定义模型路径和下载URL
    model_dir = Path("./models/bge")
    model_file = model_dir / "Visualized_base_en_v1.5.pth"
    # download_url = "https://huggingface.co/BAAI/bge-visualized/resolve/main/Visualized_base_en_v1.5.pth?download=true"
    download_url = "https://hf-mirror.com/BAAI/bge-visualized/resolve/main/Visualized_base_en_v1.5.pth?download=true"

    # 检查模型文件是否已存在
    if model_file.exists():
        print(f"模型文件已存在: {model_file}")
        print(f"文件大小: {model_file.stat().st_size / (1024*1024):.1f} MB")
        return str(model_file)

    # 创建目录
    model_dir.mkdir(parents=True, exist_ok=True)
    print(f"创建模型目录: {model_dir}")

    # 下载模型
    print(f"开始下载模型...")
    print(f"下载地址: {download_url}")

    try:
        response = requests.get(download_url, stream=True)
        response.raise_for_status()

        # 获取文件大小
        total_size = int(response.headers.get('content-length', 0))
        downloaded_size = 0

        with open(model_file, 'wb') as f:
            for chunk in response.iter_content(chunk_size=8192):
                if chunk:
                    f.write(chunk)
                    downloaded_size += len(chunk)

                    # 显示下载进度
                    if total_size > 0:
                        progress = (downloaded_size / total_size) * 100
                        print(f"\r下载进度: {progress:.1f}% ({downloaded_size/(1024*1024):.1f}/{total_size/(1024*1024):.1f} MB)", end='')

        print(f"\n模型下载完成: {model_file}")
        print(f"文件大小: {model_file.stat().st_size / (1024*1024):.1f} MB")
        return str(model_file)

    except requests.exceptions.RequestException as e:
        print(f"下载失败: {e}")
        # 如果下载失败，删除不完整的文件
        if model_file.exists():
            model_file.unlink()
        return None
    except Exception as e:
        print(f"发生错误: {e}")
        if model_file.exists():
            model_file.unlink()
        return None

if __name__ == "__main__":
    model_path = download_visualized_bge_model()
    if model_path:
        print(f"✅ 模型准备就绪: {model_path}")
    else:
        print("❌ 模型下载失败")

脚本会自动检查./models/bge/目录，若模型文件不存在则从Hugging Face镜像站下载。

4.3 代码示例与解读

import os
import requests
from PIL import Image
from io import BytesIO
import torch
from visual_bge.visual_bge.modeling import Visualized_BGE

# 设置环境变量
os.environ["HF_ENDPOINT"] = "https://hf-mirror.com"

# 初始化模型
model = Visualized_BGE(
    model_name_bge="BAAI/bge-base-en-v1.5",
    model_weight="./models/bge/Visualized_base_en_v1.5.pth"
)
model.eval()

# 下载示例图片
def download_image(url):
    response = requests.get(url)
    img = Image.open(BytesIO(response.content))
    return img

# 获取通用图片URL
cat_image_url = "https://pic1.imgdb.cn/item/68c22d1e58cb8da5c89a0dad.png"
dog_image_url = "https://pic1.imgdb.cn/item/68c22d4b58cb8da5c89a0dc5.png"
car_image_url = "https://pic1.imgdb.cn/item/68c22d6a58cb8da5c89a0dcd.png"

# 下载图片
cat_img = download_image(cat_image_url)
dog_img = download_image(dog_image_url)
car_img = download_image(car_image_url)

# 保存下载的图像到本地
cat_img.save("cat.png")
dog_img.save("dog.png")
car_img.save("car.png")

# 编码示例
with torch.no_grad():
    # 文本嵌入
    text_cat = model.encode(text="a cat")
    text_dog = model.encode(text="a dog")
    text_car = model.encode(text="a red car")
    
    # 图像嵌入
    img_cat = model.encode(image="cat.png")
    img_dog = model.encode(image="dog.png")
    img_car = model.encode(image="car.png")
    
    # 图文联合嵌入
    img_text_cat = model.encode(image="cat.png", text="a cat")
    img_text_dog = model.encode(image="dog.png", text="a dog")
    img_text_car = model.encode(image="car.png", text="a car")

    # 相似度计算
    cat_dog_sim = img_cat @ img_dog.T
    cat_car_sim = img_cat @ img_car.T
    cat_text_cat_sim = img_cat @ text_cat.T
    img_text_cat_sim = img_text_cat @ img_cat.T

print("=== 相似度计算结果 ===")
print(f"猫图片 vs 狗图片: {cat_dog_sim.item():.4f}")
print(f"猫图片 vs 汽车图片: {cat_car_sim.item():.4f}")
print(f"猫图片 vs 猫文本: {cat_text_cat_sim.item():.4f}")
print(f"猫图片 vs 猫图文: {img_text_cat_sim.item():.4f}")

4.4 代码关键点解析

1. 模型架构：
   • Visualized_BGE 是基于BGE文本嵌入框架构建的多模态模型
   • 集成了图像token嵌入到BGE框架中，实现多模态处理
2. 多模态编码能力：
   • 纯文本编码：保持BGE的文本嵌入能力
   • 纯图像编码：使用EVA-CLIP视觉编码器
   • 图文联合编码：融合图像和文本特征到统一空间
3. 相似度计算：
   • 使用矩阵乘法计算余弦相似度
   • 所有嵌入向量已标准化到单位长度，确保相似度值合理

4.5 运行结果

=== 相似度计算结果 ===
猫图片 vs 狗图片: 0.6061
猫图片 vs 汽车图片: 0.4382
猫图片 vs 猫文本: 0.6123
猫图片 vs 猫图文: 0.9438

纯文本与图文结合的相似度（0.6123）低于图文结合之间（0.9438）的相似度，表明文本信息与图像信息的融合效果

---

五、多模态嵌入的未来展望

5.1 超越图文：多模态的扩展

• 视频理解：将时间维度纳入嵌入空间，实现视频内容的语义表示
• 音频-文本对齐：构建音频与文本的统一嵌入空间
• 3D场景理解：将空间信息纳入多模态嵌入

5.2 轻量化与边缘部署

• 模型压缩：通过知识蒸馏、量化等技术，使多模态模型能在移动端部署
• 高效推理：优化计算流程，减少推理延迟

5.3 语义与知识的深度融合

• 结合知识图谱：将多模态嵌入与知识图谱结合，增强语义理解能力
• 因果推理：从简单的相关性到因果关系的多模态推理

---

六、结语

多模态嵌入技术的发展，从CLIP的对比学习到BGE-M3的"M3"特性，标志着AI系统正在从单一模态理解迈向全面的跨模态认知。它打破了"模态墙"，让AI真正能够像人类一样，同时理解文本、图像、音频等多源信息。

“未来的AI系统，将不是能理解文字或图像的系统，而是能理解文字、图像、声音、视频的统一系统。”

参考资料：

• CLIP: Contrastive Language-Image Pre-training
• [BGE-M3: A Modern Multimodal Embedding Model](