标签
该论文研究了当音频、视频和文本三个通道的评分冲突时，策略如何在请求第三个来源与弃权之间做决策，提出阈值策略并在受控基准上评估其相对于多数投票和融合策略的效用表现。
本文介绍了 jina-embeddings-v5-omni，这是一套多模态嵌入模型，通过冻结塔组合技术将文本嵌入扩展至图像、音频和视频。该方法仅训练总权重的 0.35%，在保持文本几何结构的同时，以显著降低的计算成本实现了极具竞争力的最先进性能。