AI 요약 · 영어에서 AI 번역
MMEB-V3: Measuring the Performance Gaps of Omni-Modality Embedding Models
Haohang Huang, Xuan Lu, Mingyi Su, Xuan Zhang, Ziyan Jiang, Ping Nie, Kai Zou, Tomas Pfister, Wenhu Chen, Wei Zhang, Xiaoyu Shen, Rui Meng
TL;DR
기존 벤치마크와 방법은 전 모달리티 임베딩과 지시문 조건부 검색을 체계적으로 평가하기 위한 범위가 제한적이다. MMEB-V3는 전 모달리티 및 에이전트 중심 평가를 추가하고, OmniSET은 의미적으로 동등한 사례를 통제된 방식으로 분석할 수 있게 한다. 실험 결과, 모델은 지시된 모달리티를 검색하지 못하는 경우가 많으며, 비대칭적이고 질의 모달리티 편향이 두드러지는 행동을 보인다.
문제
기존 벤치마크는 전 모달리티 범위가 제한적이며, 복잡한 검색 시나리오에서 지시 따르기를 체계적으로 평가하는 데 한계가 있다.
출처: §1 · pp. 1–2방법
MMEB-V3는 텍스트, 이미지, 비디오, 오디오 및 에이전트 작업 전반의 임베딩을 평가하고, OmniSET은 통제된 분석을 위해 모달리티 간 의미적으로 동등한 사례를 묶는다.
출처: §1 · p. 2, §3.1 · p. 3결과
모델은 지시된 대상 모달리티를 검색하지 못하는 경우가 많으며, 모달리티 간 검색은 비대칭적이고 질의 모달리티 편향이 지배적이다.
출처: §1 · p. 2, §6 · p. 10시사점 및 한계
현재 멀티모달 임베딩은 지시문에 명시된 모달리티 제약을 신뢰성 있게 강제하지 못하며, 일관된 모달리티 인식 검색 행동도 보이지 않는다.
출처: §1 · p. 2벤치마크는 기반이 되는 공개 데이터셋의 편향을 물려받을 수 있으며, 논문은 공정성을 명시적으로 다루지 않는다.
출처: Ethics Statement · p. 10
Abstract
from arXiv · showhide
Multimodal embedding models aim to map heterogeneous inputs, such as text, images, videos, and audio, into a shared semantic space. However, existing methods and benchmarks remain largely limited to partial modality coverage, making it difficult to systematically evaluate full-modality representation learning. In this work, we take a step toward the full-modality setting. We introduce MMEB-V3, a comprehensive benchmark that evaluates embeddings across text, image, video, audio, as well as agent-centric scenarios. To enable more fine-grained diagnosis, we further construct OmniSET (Omni-modality Semantic Equivalence Tuples), where semantically equivalent instances are represented across modalities, allowing us to disentangle semantic similarity from modality effects. Through experiments on MMEB-V3, we conduct a systematic analysis of full-modality embeddings and identify three key findings: (1) models often fail to retrieve the intended target modality; (2) cross-modal retrieval is highly asymmetric and dominated by query-modality bias; and (3) instruction-induced shifts are either insufficient or misaligned with the target modality, and therefore do not reliably improve retrieval. These results indicate that current multimodal embeddings are not yet capable of reliably enforcing modality constraints specified by instructions, and consequently fail to exhibit consistent modality-aware retrieval behavior. We hope MMEB-V3 provides a useful benchmark for understanding and diagnosing these limitations, and for guiding future research on full-modality embeddings.
1 서론
멀티모달 임베딩은 이종 입력 전반의 응용을 지원하지만, 기존 벤치마크는 전체 모달리티 검색과 지시 이행을 제한적으로만 다룬다. MMEB-V3는 평가 범위를 확장하고 OmniSET을 활용해 모달리티 인식 동작을 진단하며, 모델이 지시된 모달리티 제약을 따르지 못하는 경우가 많음을 보인다.
1 서론
- 기존 벤치마크는 복잡한 검색 상황에서 전체 모달리티 범위와 지시 이행을 평가하는 데 제한적인 지원만 제공한다.기존 평가는 텍스트-이미지 검색과 같은 모달 간 정렬에 주로 초점을 맞춘다.출처: §1 · p. 2
- 에이전트 중심 환경에서 모달리티가 일치하지 않는 검색은 도구 호출, GUI 상호작용, 메모리 접근과 같은 후속 동작을 방해할 수 있다.이러한 오류는 의사결정 루프의 실패로 이어질 수 있다고 지적한다.출처: §1 · p. 2
- MMEB-V3는 오디오, 복합 텍스트, 에이전트 작업에서 지시에 따라 조건화된 임베딩을 평가하고, OmniSET은 의미 내용과 모달리티 효과를 통제된 방식으로 분석할 수 있게 한다.OmniSET은 모달리티 전반에서 의미적으로 동등한 콘텐츠를 하나의 튜플로 묶는다.출처: §1 · p. 2
- 실험 결과, 모델은 지시된 대상 모달리티를 놓치는 경우가 많으며, 검색은 지시된 대상보다 원래 쿼리 모달리티의 영향을 더 크게 받는다.논문은 모달리티 제약이 지시의 일부로서 안정적으로 적용되지 않는다고 설명한다.출처: §1 · p. 2
2 관련 연구
기존 멀티모달 벤치마크는 이미지-텍스트 정렬에서 문서와 비디오로 확장되었고, 임베딩 모델은 일부 또는 더 다양한 모달리티를 점차 통합해 왔다. 특히 복잡한 과제와 에이전트 과제를 포함한 지시 기반 전 모달리티 평가는 아직 충분히 탐구되지 않았다.
2 관련 연구
- 초기 벤치마크는 이미지-텍스트 검색과 매칭을 정립했으며, 이후 연구에서는 문서 수준의 시각 정보 검색과 시간적 비디오 검색을 추가했다.이 대목은 초기 벤치마크가 주로 정적인 시각 입력과 짧은 텍스트 설명에 국한되었다고 설명한다.출처: §2 · p. 2
- 기존 벤치마크의 범위는 여전히 분절되어 있다. MTEB는 멀티모달 지원이 없고, MMEB-V2와 M-BEIR는 오디오를 포함하지 않는다.새롭게 등장한 도구, GUI, 메모리 검색 과제도 포괄적인 벤치마크에 포함되지 않고 있다.출처: §2 · pp. 2–3
- MMEB-V3는 오디오, 복잡한 텍스트 검색, 에이전트 과제까지 벤치마크 범위를 확장하여 보다 현실적인 지시 조건 평가를 가능하게 한다.다중 조건 추론, 도구·메모리·GUI 검색과 같은 복잡한 설정은 충분히 탐구되지 않은 것으로 설명된다.출처: §2 · p. 3
- 임베딩 모델은 이중 인코더에서 일부 모달리티를 통합하는 시스템으로 발전했으며, 최근 연구는 텍스트, 이미지, 오디오, 비디오까지 범위를 넓히고 있다.이 대목은 Omni-Embed-Nemotron이 이 네 가지 모달리티를 지원하고 WAVE가 오디오-비디오 임베딩에 집중한다고 언급한다.출처: §2 · p. 3
3 옴니모달 임베딩을 위한 통합 평가 프레임워크 MMEB-V3
MMEB-V3는 여러 모달리티와 과제 유형으로 평가 범위를 넓히고, 의미 내용과 모달리티 효과를 통제해 분석할 수 있도록 OmniSET을 추가한다. 또한 지시문의 다양성을 출력 데이터 제약과 과제에 필요한 연산을 기준으로 설명한다.
3.1 모달리티 범위와 과제 다양성
- MMEB-V3는 MMEB-V2에 새 과제 111개를 추가해 전체 과제 수를 190개로 늘렸으며, 텍스트, 이미지, 비디오, 오디오를 아우르고 모달리티 간 검색 방향과 다양한 과제 유형을 포함한다.복합 텍스트 검색과 에이전트 과제, 오디오 과제를 새롭게 포함한다.출처: §3.1 · p. 3, Figure 1 · p. 4
- OmniSET은 모달리티 전반에서 의미적으로 동등한 사례를 묶어 의미 내용과 모달리티 효과를 통제된 방식으로 비교하며, 리더보드 평가에는 포함되지 않는다.튜플은 텍스트, 이미지, 비디오, 오디오 사례를 포함한다.출처: §3.1 · pp. 3–4
- 오디오 과제는 분류, 모달리티 간 검색, 시간적 그라운딩을 다루며, 텍스트 과제에는 지시 따르기, 추론, 긴 문맥 이해, 다중 조건 매칭이 포함된다.텍스트 과제군은 53개 과제로 구성되고, 에이전트 과제는 도구, GUI 궤적, 메모리 검색을 아우르는 47개 과제로 구성된다.출처: §3.1 · pp. 3–4
3.2 데이터 유형과 과제 전반의 지시문 다양성
- MMEB-V3는 모달리티와 구조화 데이터를 포함하는 예상 출력 데이터 유형 및 과제와 관련된 연산을 기준으로 지시문 다양성을 설명한다.연산에는 분류, 검색, 그라운딩, 질의응답이 포함된다.출처: §3.2 · pp. 4–5
- 벤치마크는 과제 유형별 모달리티 조합과 데이터 요구사항 및 과제 맥락별 지시문 패턴을 달리한다.Figure 2는 190개 과제 전반의 이러한 분포를 요약한다.출처: Figure 2 · p. 5
4 실험
과제 범주 전반에서 모든 영역에 최적인 평가 모델은 없으며, 일부 영역에서의 높은 성능은 다른 영역에서의 낮은 성능을 동반하는 경우가 많다. 실험에서는 과제에 적합한 지표를 사용해 omni-modal 및 vision-language 임베딩 기준 모델을 비교한다.
4.1 실험 설정
- 오디오, 이미지, 비디오 및 에이전트 과제에는 Hit@1을, 텍스트 및 VisDoc 과제에는 NDCG@5를 사용해 평가한다.과제 특성에 맞춰 지표를 선택했다.출처: §4.1 · p. 5
- 실험에서는 omni-modal 임베딩 모델과 vision-language 임베딩 모델을 비교한다.Table 1은 MMEB-V3가 오디오, 에이전트, 복합 텍스트 검색 범주에 걸친 신규 과제 111개를 포함해 총 190개 과제로 구성됨을 보여준다.출처: §4.1 · p. 5, Table 1 · p. 6
4.2 주요 결과
- 어떤 단일 모델도 모든 과제 범주에서 최적의 성능을 달성하지 못하며, 일부 과제에서 강한 모델은 다른 과제에서 성능이 더 낮은 경우가 많다.완전한 멀티모달 모델은 모달리티 간 성능이 비교적 안정적이지만, 특정 범주에서 전문화된 모델을 일관되게 능가하지는 못한다.출처: §4.2 · pp. 5–6
- 오디오 검색과 추론, 다중 조건 제약, 긴 맥락 이해가 필요한 복합 텍스트 및 에이전트 과제는 모델 전반에서 어려운 과제다.저자들은 이것이 세밀한 의미 구조와 암묵적 제약을 포착하는 데 한계가 있음을 시사할 수 있다고 제안한다.출처: §4.2 · p. 6
- 관찰된 성능 절충은 모달리티 차이, 과제 복잡도, 지시문 요구사항과 관련된다.논문은 통합 임베딩과 지시문을 인식하는 임베딩을 발전 방향으로 제시한다.출처: §4.2 · p. 6
5 분석
분석에서는 OmniSET을 사용해 모달리티 제약 검색에서 세 가지 임베딩 모델을 살펴본다. 목표 모달리티 검색 실패가 잦고, 검색은 비대칭적이며 쿼리 모달리티 편향을 보인다. 지시문으로 유도된 이동도 목표에 안정적으로 정렬되지 않는다.
5.1 명시적 모달리티 지시문은 크로스모달 검색에서 자주 실패한다
- 명시적 모달리티 지시문은 의도한 목표 모달리티를 검색하지 못하는 경우가 많으며, 여러 크로스모달 방향에서 Hit@1은 거의 0이다.일부 강한 방향의 결과는 이미지에서 동영상을, 텍스트에서 오디오를 생성하는 OmniSET의 구성 방식이 부분적으로 반영된 것일 수 있다고 설명한다.출처: §5.1 · p. 7, Table 4 · p. 8
- Nemotron의 I→V Hit@1은 100.0으로, V→I의 5.0과 대조된다. 한편 검색된 모달리티는 쿼리를 따를 수 있다. Nemotron은 T2I 결과의 84.9%에서 텍스트를 반환하고, WAVE는 여러 방향에서 99.9% 비율로 동영상을 반환한다.역방향 간 격차는 비대칭성을 보여준다. WAVE의 양상은 우세한 검색 모달리티가 지시된 목표를 반드시 따르지는 않음을 보여준다.출처: §5.1 · pp. 7–8
5.2 모달리티 제약 지시문에 대한 모델 민감도
- 지시문으로 유도된 평균 이동량은 모델마다 다르다. Nemotron은 코사인 거리 기준 약 0.4, WAVE는 0.08, Qwen3-VL-Embedding-8B는 0.15이다.저자들은 학습 중 강조된 내용이 WAVE의 약한 반응을 설명하는 데 도움이 될 수 있다고 제안하지만, Nemotron의 지시문 관련 학습 세부 사항은 완전히 명시되지 않았다고 덧붙인다.출처: §5.2 · pp. 8–9
5.3 지시문으로 유도된 이동은 쿼리를 일관되게 목표 쪽으로 옮기지 않는다
- Nemotron에서는 소수의 방향에서만 목표 거리 개선이 나타나며, 모두 0.09 미만이다. T→V는 +0.041 개선되지만 V→T는 −0.158 악화된다.t-SNE 시각화에서는 눈에 띄는 이동이 나타나지만, 이동 방향이 일관되게 목표를 향하지는 않는다. 텍스트를 목표로 하는 지시문을 받은 이미지 쿼리는 동영상 클러스터에 더 가까워질 수 있다.출처: §5.3 · p. 9, Figure 4 · p. 9
6 결론
이 논문은 전체 모달리티 임베딩을 평가하고 모달리티 제약 검색을 진단하기 위해 MMEB-V3와 OmniSET을 제시한다. 분석 결과, 의도한 대상 모달리티를 안정적으로 검색하지 못하고, 검색에 방향성 편향이 있으며, 지시 신호도 원하는 모달리티로 질의를 안정적으로 유도하지 못하는 것으로 나타났다.
6 결론
- MMEB-V3는 텍스트, 이미지, 비디오, 오디오 및 에이전트 중심 시나리오 전반의 임베딩을 평가한다.이 논문은 이를 전체 모달리티 설정을 향한 평가의 진전으로 제시한다.출처: §6 · p. 10
- OmniSET은 의미적으로 일관된 상태에서 모달리티 효과를 분리하고 지시 제약이 있는 교차 모달 동작을 평가하기 위해, 모달리티 간 의미적으로 동등한 인스턴스를 사용한다.출처: §6 · p. 10
- 분석 결과, 모델은 의도한 대상 모달리티를 자주 놓치고, 검색은 비대칭적이며 방향성 편향을 보이고, 지시에 조건화된 신호는 원하는 모달리티로 검색을 안정적으로 유도하지 못하는 것으로 나타났다.이 논문은 현재의 멀티모달 임베딩이 지시 제약하에서 신뢰할 수 있는 모달리티 인식 검색을 수행하는 데 여전히 한계가 있다고 결론짓는다.출처: §6 · p. 10
윤리 성명
윤리 성명에서는 공개 데이터셋을 사용한 평가를 설명하고, 기존 말뭉치의 편향을 명시적으로 다루지 않았음을 언급하며, 잠재적인 이중용도 위험을 짚는다.
윤리 성명
- 시스템은 공개적으로 이용할 수 있는 데이터셋을 사용해 개발하고 평가했으며, 비공개 데이터나 개인 식별 정보는 사용하지 않았다.출처: Ethics Statement · p. 10
- 벤치마크에는 공정성 측면에서 명시적으로 다루지 않은 말뭉치 편향이 반영되어 있을 수 있으며, 이러한 편향은 후속 응용에 영향을 미칠 수 있다.출처: Ethics Statement · p. 10
- 이 방법은 정보에 대한 유익한 접근을 위해 고안되었지만, 잘못 적용될 경우 이중용도 위험이 따를 수 있다. 저자들은 책임 있는 사용, 신중한 데이터 선별, 투명성을 권장한다.출처: Ethics Statement · p. 10
A.1 기준 모델 세부 사항
기준 모델은 오디오·비주얼 모델부터 텍스트, 이미지, 비디오, 오디오를 지원하는 시스템까지, 모달리티 범위와 검색 설정이 서로 다른 통합 임베딩 모델을 아우른다.
A.1 기준 모델 세부 사항
- Omni-Embed-Nemotron은 Qwen2.5-Omni-3B의 Thinker 구성 요소와 bi-encoder 대조 목적함수를 사용해 텍스트, 이미지, 오디오, 비디오를 검색하도록 설계됐다.멀티모달 검색 및 RAG 시나리오를 대상으로 한다.출처: §A.1 · p. 13
- WAVE는 검색과 멀티모달 이해를 위해 공동 멀티모달 학습과 계층적 특징 융합을 통해 공유 오디오-비주얼 표현을 학습한다.오디오-비주얼 검색과 멀티모달 질의응답에서 우수한 성능을 보였다고 보고한다.출처: §A.1 · p. 13
- Qwen3-VL-Embedding은 교차 모달 검색과 이해를 위한 통합 프레임워크에서 텍스트, 이미지, 스크린샷, 비디오, 혼합 모달 입력을 지원한다.Qwen3-VL 기반 모델을 바탕으로 하며 dense embedding을 사용한다.출처: §A.1 · p. 13
- VLM2Vec-V2.0은 통합 학습과 대조 임베딩 학습을 사용해 이미지, 비디오, 시각 문서를 공유 임베딩 공간에서 지원한다.다양한 멀티모달 설정에서의 검색을 설명한다.출처: §A.1 · p. 13
- VLM2Vec은 임베딩 중심 표현과 대조 학습을 통해 지시문으로 미세 조정된 비전-언어 모델을 검색용 통합 멀티모달 임베딩 모델로 변환한다.다양한 멀티모달 검색 과제에서 우수한 성능을 보였다고 보고한다.출처: §A.1 · p. 14
- GME는 텍스트, 이미지, 이미지-텍스트 쌍을 지원하고 단일 모달 및 결합 모달 입력을 범용 벡터 표현으로 매핑해 Any2Any 검색을 수행한다.텍스트-이미지, 이미지-이미지, 멀티모달 검색이 그 예다.출처: §A.1 · p. 14
A.2 벤치마크 구성 세부 사항
MMEB-V3는 텍스트, 이미지, 비디오, 오디오 및 에이전트 중심 설정에 걸친 190개 과제를 통합하며, OmniSET은 통제된 교차 모달 검색 평가를 가능하게 한다.
A.2 벤치마크 구성 세부 사항
- MMEB-V3는 텍스트, 이미지, 비디오, 오디오를 아우르는 순위 기반 프레임워크에 190개의 이질적 과제를 통합하고, 복잡한 텍스트 추론, 에이전트 역량, 다중 조건 검색을 추가한다.이미지 영역에는 여러 제약 조건을 고려한 세밀한 교차 모달 매칭을 위한 MCMR이 포함된다.출처: §A.2 · p. 14
- 오디오 평가는 분류, 교차 모달 검색, 시간적 그라운딩을 다루며, 대규모 오디오 데이터셋은 최대 1,000개 쿼리로 하위 표집하고 후보 풀은 10,000개로 제한한다.분류는 음향 이벤트와 소리 범주 인식을 평가한다. 검색에는 텍스트-오디오, 오디오-비디오, 오디오-이미지 정렬이 포함되며, 그라운딩은 연속 오디오에서 이벤트의 위치를 찾는다.출처: §A.2 · p. 14
- 텍스트 평가에는 표준 텍스트 검색을 넘어서는 시나리오를 다루기 위해 지시 따르기 검색, 추론 검색, 긴 문맥 검색을 추가한다.과제는 복잡한 지시와 제약 조건, 논리적 추론과 다단계 추론, 긴 문서 및 확장된 문맥에서의 검색을 평가한다.출처: §A.2 · p. 14
- 벤치마크에는 다중 조건 검색과 작고 다양한 일반 텍스트 검색 하위 집합도 포함된다.MultiConIR은 여러 검색 제약 조건의 동시 충족을 측정하며, nanoBEIR는 엄선된 BEIR 하위 집합이다.출처: §A.2 · pp. 14–15
- 에이전트 중심 평가는 대표적인 메모리 유형과 다중 모달 상호작용 궤적을 대상으로 도구 선택, GUI 상호작용, 에이전트 메모리 검색을 포함한다.선정된 메모리 과제는 일화 기억, 대화 기억, 의미 기억, 절차 기억을 다룬다. Tool-REX에는 43,000개가 넘는 도구가 포함된다.출처: §A.2 · p. 15
- OmniSET은 동일한 의미를 텍스트, 이미지, 비디오, 오디오 인스턴스로 정렬해 표현하며, 검색 시 의미와 지시로 지정된 대상 모달리티를 모두 일치시켜야 한다.OmniSET에는 사람이 검증한 어려운 음성 예제가 포함된 쿼리 100개가 있으며, 순서가 있는 입력-대상 모달리티 쌍을 위한 12개의 방향성 과제로 확장된다.출처: §A.2 · p. 15
A.2.1 OmniSET 구축
OmniSET은 통제된 검색 비교를 위해 의미적으로 정렬된 4개 모달리티 튜플을 제공하며, 부록에서는 합성 데이터 편향 가능성과 목표 모달리티를 향한 지시문 유도 변화의 불일치를 다룬다.
A.2.1 OmniSET 구축
- OmniSET은 MSCOCO 이미지–텍스트 사례를 텍스트, 이미지, 비디오, 오디오 튜플로 확장하며, 이미지에서 비디오를, 캡션에서 음성을 생성한다.모달리티를 바꾸면서 의미는 일정하게 유지하도록 튜플을 구성했다.출처: §A.2.1 · p. 15
- 어려운 음성 샘플은 객체 중복 후보에서 선택한 뒤 수작업으로 선별한다. 12개 방향성 과제 모두 혼합 모달리티 후보 풀을 공유하며, 원본 사례를 방해 항목으로 포함하고 동일 모달리티 과제는 제외한다.원본 사례를 방해 항목으로 넣고 동일 모달리티 과제를 제외해 자명한 동일성 매칭을 방지한다.출처: §A.2.1 · pp. 16–17
A.2.2 합성 데이터의 영향과 잠재적 모달리티 편향
- 비디오는 이미지에서, 오디오는 캡션에서 파생되므로 I→V와 A→T는 생성 아티팩트와 데이터 기반 모달리티 선호를 물려받을 수 있다.이러한 의존성은 순수하게 학습된 교차 모달 정렬보다는 해당 방향에서 유난히 강한 검색 성능을 부분적으로 설명할 수 있다.출처: §A.2.2 · p. 17
- 공유 후보 풀과 원본 사례 방해 항목은 구성상의 교란 요인을 완화하지만, 합성 생성의 영향을 직접 받지 않는 방향에서도 검색 실패와 정렬되지 않은 변화가 나타난다.저자들은 후속 연구로 사람 주석이 포함된 멀티모달 데이터나 표적 제거 실험을 제안한다.출처: §A.2.2 · p. 17
A.3 세부 점수
- 이미지, 비디오, VisDoc, 오디오, 텍스트, 에이전트 과제별 점수를 보고한다.출처: §A.3 · p. 17
A.4 시각화 및 분석
- WAVE와 Qwen3-VL-Embedding-8B 모두에서 지시문 적용 후 목표 거리값은 대체로 유지되거나 증가했다. WAVE의 변화는 작았고 Qwen의 향상은 드물었다.비교 결과는 지시문 유도에 따른 질의–목표 코사인 거리의 변화를 보여준다.출처: §A.4 · p. 18, Figure 10 · p. 20
- t-SNE는 Nemotron의 모달리티별 분리 군집, WAVE의 오디오–비디오 얽힘, Qwen3-VL-Embedding-8B의 상당한 모달리티 중첩을 보여준다.시각화는 세 모델이 모달리티 정보를 부호화하는 방식의 차이를 보여준다.출처: §A.4 · p. 18, Figure 11 · p. 21
- 비디오 및 오디오 질의에서 지시문 증강은 표현을 교란하지만, 이를 의도한 목표 모달리티 쪽으로 일관되게 이동시키지는 않는다.변화가 인접 모달리티 군집에 가까워지거나 목표와 무관한 방향으로 향할 수 있다.출처: §A.4 · p. 19, Figure 12 · p. 22
Related papers
This paper cites
- Learning Transferable Visual Models From Natural Language Supervision2021
- Microsoft COCO: Common Objects in Context2014
- Flickr30k Entities: Collecting Region-to-Phrase Correspondences for Richer Image-to-Sentence Models2015
- MTEB: Massive Text Embedding Benchmark2022
- DeepPlanning: Benchmarking Long-Horizon Agentic Planning with Verifiable Constraints2026
- e5-omni: Explicit Cross-modal Alignment for Omni-modal Embeddings2026
Cited by
- Stuck on Shuffle: On Attribute-Object Binding in Vision-Language Models2026
- What Really Works for Universal Multimodal Embeddings? A Controlled Study of Contrastive Training Strategies2026
- MetaEncoder: Exploring the Limit of Bi-Encoders for Multimodal System One Decision Making with Natural Language Interface2026
- MoEMB: Scaling Universal Multimodal Embeddings with Efficient Mixture-of-Experts Models2026
- WeMM-Embedding: WeChat Multi-Modal Embedding Technical Report2026
- MVEB: Massive Video Embedding Benchmark2026