机械之心宣布

机械之心编辑部

检索增强手艺在代码及多模态场景中的施展着主要作用，而向量模子是检索增强系统中的主要组成部分。针对这一需求，克日，智源研究院联合多所高校研发了三款向量模子，包括代码向量模子 BGE-Code-v1，多模态向量模子 BGE-VL-v1.5 以及视觉化文档向量模子 BGE-VL-Screenshot。这些模子取得了代码及多模态检索的最佳效果，并以较大优势登顶 CoIR、Code-RAG、MMEB、MVRB 等领域内主要测试基准。BGE 自 2023 年 8 月宣布以来，已成为中国首个登顶 Hugging Face 榜首的国产 AI 模子以及 2023 年所有宣布模子的全球下载量冠军。

现在，BGE-Code-v1、BGE-VL-v1.5、BGE-VL-Screenshot 三款模子已向社区周全开放，为相关手艺研究与工业应用提供助力。

BGE-Code-v1：

模子地点：https://huggingface.co/BAAI/bge-code-v1项目主页：https://github.com/FlagOpen/FlagEmbedding/tree/master/research/BGE_Coder论文链接：https://arxiv.org/abs/2505.12697

BGE-VL-v1.5：

模子地点：https://huggingface.co/BAAI/BGE-VL-v1.5-zs项目主页：https://github.com/FlagOpen/FlagEmbedding/tree/master/research/BGE_VL论文链接：https://arxiv.org/abs/2412.14475

BGE-VL-Screenshot：

模子地点：https://huggingface.co/BAAI/BGE-VL-Screenshot项目主页：https://github.com/FlagOpen/FlagEmbedding/tree/master/research/BGE_VL_Screenshot论文链接：https://arxiv.org/abs/2502.11431

由智源研究院主导研发的通用向量模子系列 BGE，旨在为种种数据提供高效一站式向量表征与语义检索计划，已推出笼罩中英文、多语言检索及重排模子等多个版本，一连刷新 MTEB、C-MTEB、BEIR、MIRACL 等主流文本向量评测基准。BGE 依附高性能与开源特征备受业界关注，已普遍应用于 RAG、神经搜索等场景，累计下载超 6 亿次，被海内外多家 AI 企业集成。

现在，检索增强手艺正从古板的文本场景逐步拓展至涵盖代码与视觉等多模态数据的应用。然而，相较于文本事域，现有向量模子在代码和视觉模态中的检索效果仍有待提升。此次智源研究院宣布的三款新模子，为构建更强盛的多模态检索增强系统提供了有力的支持。

BGE-Code-v1

新一代代码优化语义向量模子

随着基础模子代码能力快速生长，Cursor、Copilot 等辅助编程工具大幅提升生产力。在面临百万行级代码库时，代码块检索增强需求凸显，因此检索模子的代码明确能力至关主要。

BGE-Code-v1是以 Qwen2.5-Coder-1.5B 为基座打造的新一代代码向量模子，专为种种代码检索相关使命而设计，同时配备了强盛的多语言文本明确能力。模子基于 CoIR 训练集和大宗高质量代码 - 文本的合成数据举行训练，并使用课程学习，以 BGE-gemma2-multilingual 的 retrieval、STS 数据为辅助，进一步提升代码与文本的明确能力。BGE-Code-v1 适用于开发文档搜索、代码库语义检索、跨语言信息获取等多种现实应用场景，是面向代码 - 文本检索使命的最优选择。

CoIR 代码检索基准，网络了笼罩 14 种编程语言的 4 大类 8 个子使命，能够有用地评估模子在自然语言和代码的种种混淆场景中的检索能力。CodeRAG-Bench 基准评估了代码检索模子在代码检索增强（RACG）中的体现。BGE-Code-v1 在两个基准上均以显著优势逾越谷歌、Voyage AI、Salesforce、Jina 等商业 / 开源模子，登顶 SOTA。

BGE-VL-v1.5

通用多模态检索模子

BGE-VL-v1.5 完成多模态检索使命

BGE-VL-v1.5是基于 LLaVA-1.6（7.57B 参数）训练的新一代通用多模态检索模子，周全升级了图文明确能力并具有更强盛的检索能力。BGE-VL-v1.5 在 MagePairs 300 万 (3M) 图文对齐数据基础上又网络了共 100 万条自然与合成数据（涵盖 image-captioning 数据、视觉问答数据、分类使命数据）举行多使命训练，显著地提升了模子在种种使命上的泛化性与明确能力。

基于 MegaPairs 数据，BGE-VL-v1.5 在多模态检索使命中性能优势显著，不但在图像检索中体现强劲，更在通用多模态场景中展现高顺应性与准确率，适用于图文匹配、多模态问答、跨模态推荐等场景。

左为 BGE-VL-v1.5-zs 和其他 zero-shot 模子在MMEB上的体现，右为 BGE-VL-v1.5-MMEB 在 MMEB 基准检索使命上的体现

MMEB 是目今使用最普遍的多模态向量基准，由：分类、视觉问答、检索、视觉基础知识，四类使命组成； zero-shot 设置（未使用 MMEB 训练集），BGE-VL-v1.5-zs 在 MMEB 基准中刷新 zero-shot 模子最佳体现；在检索使命上，基于 MMEB 微调的 BGE-VL-v1.5-MMEB 以 72.16 分登顶 SOTA。

BGE-VL-Screenshot

适用强盛的视觉化文档向量模子

现实场景中网页、文档等多模态使命常由图文、符号、图表等多元素混淆数据组成，这类使命称为 “可视化信息检索”（Vis-IR），因此，多模态模子不但需要具备从重大结构中提取要害信息的视觉能力，还需精准明确文本与视觉语义。现在，现有检索模子在此类使命中体现欠佳。

BGE-VL-Sc 基于截图与文本检索

BGE-VL-Screenshot模子基于 Qwen2.5-VL-3B-Instruct ，以新闻、商品、论文、文档、项目主页等七类数据源举行训练，网络凌驾 1300 万张截图和 700 万组标注截图问答样本。

为了准确评估模子在 Vis-IR 使命上的体现，团队设计并推出了多模态检索基准MVRB(Massive Visualized IR Benchmark，榜单链接：https://huggingface.co/spaces/BAAI/MVRB_leaderboard)，涵盖截图检索、复合截图检索、截图 QA 和开放分类 4 项使命共 20 个数据集。

左为多语言 MVRB 测评效果，右为差别尺寸多模态检索模子 MVRB 评测效果比照

BGE-VL-Screenshot 在 4 项使命中体现精彩，以 60.61 的综合得分抵达 SOTA。在此基础上，通过少量 query2screenshot 多语言数据训练，模子实现了在英文之外的多语言使命上的精彩体现。

智源研究院将继续深耕向量模子与检索增强手艺，进一步提升 BGE 模子系列的能力与通用性。未来期待与更多科研机构与工业同伴相助，配合推动检索与人工智能生长＝哟泶笱芯空哂肟⒄吖刈⒉⑹褂 BGE 系列模子，共建开放昌盛的开源生态。