北京——2025年10月29日 亞馬遜云科技宣布，Amazon Nova Multimodal Embeddings多模態(tài)嵌入模型現(xiàn)已在Amazon Bedrock上線，這是一款專為Agentic RAG與語義搜索應用打造的頂尖多模態(tài)嵌入模型。該模型是首個通過單一模型支持文本、文檔、圖像、視頻與音頻的統(tǒng)一嵌入模型，能以行業(yè)頂尖的準確率實現(xiàn)跨模態(tài)檢索。

當今，企業(yè)正不斷尋求解決方案，以期從文本、圖像、文檔、視頻、音頻等海量非結構化數(shù)據(jù)中挖掘價值。例如，某企業(yè)可能擁有產品圖片、包含信息圖與文字的宣傳冊，以及用戶上傳的視頻片段。嵌入模型被廣泛應用于這些場景，它可將文本、視覺、音頻輸入轉換為數(shù)值表示形式的嵌入向量，這些嵌入向量會捕捉輸入內容的語義信息，供AI系統(tǒng)進行比較、搜索與分析，為語義搜索、檢索增強生成(RAG)等場景提供技術支撐。盡管嵌入模型能夠挖掘非結構化數(shù)據(jù)的價值，但傳統(tǒng)模型通常僅擅長處理單一類型的內容。這一局限迫使客戶要么構建復雜的跨模態(tài)嵌入解決方案，要么僅局限于單一內容類型的應用場景。這一問題同樣存在于混合模態(tài)內容類型，例如文本與圖像內容交織的文檔，或融合視覺、音頻、文本元素的視頻，現(xiàn)有模型也難以有效捕捉這類內容中的跨模態(tài)關聯(lián)。

Amazon Nova多模態(tài)嵌入模型正為解決上述挑戰(zhàn)而生!它為文本、文檔、圖像、視頻、音頻構建了統(tǒng)一的語義空間，可支持多種場景，包括混合模態(tài)內容的跨模態(tài)搜索、基于參考圖像的搜索，以及視覺文檔檢索。

開發(fā)團隊基于各類基準測試對該模型性能進行了評估，結果顯示，其開箱即用的準確率處于領先水平。Amazon Nova多模態(tài)嵌入模型支持的上下文長度最高達8000 tokens，可處理的文本語言多達200種，并能通過同步與異步API接收輸入。此外，它支持分段處理功能(也稱為 “分塊”，Chunking)，可將長文本、視頻或音頻內容拆分為易于處理的片段，并為每個片段生成嵌入向量。最后，該模型提供四種輸出嵌入維度，采用套娃表征學習(Matryoshka Representation Learning，MRL)訓練，能在幾乎不影響準確率的前提下，實現(xiàn)低延遲的端到端檢索。

Amazon Nova多模態(tài)嵌入模型提供四種輸出維度選項：3072、1024、384和256。輸出維度越大，生成的表征信息則越詳細，但也需要占用更多的存儲空間和計算資源。相反，輸出維度越小，則能在檢索性能與資源效率之間實現(xiàn)更實用的平衡。這種靈活性可幫助用戶根據(jù)具體應用場景和成本需求進行優(yōu)化。

該模型能處理較長的上下文內容。對于文本輸入，它單次可處理多達8192個tokens;對于視頻和音頻輸入，支持處理長達30秒的片段，且能對更長的文件進行分段處理。在處理大型媒體文件時，這種分段能力尤為實用——模型會將文件拆分為易于處理的片段，并為每個片段生成嵌入向量。

該模型包含集成了內置于Amazon Bedrock的負責任的AI功能。提交用于生成嵌入向量的內容會經過Amazon Bedrock內容安全過濾器的檢測，同時模型還內置公平性措施以減少偏差。

該模型可通過同步和異步API調用。同步API適用于需要即時響應的實時應用場景，例如在搜索界面中處理用戶查詢;異步API則能更高效地處理對延遲不敏感的工作負載，因此更適合處理視頻等大型內容。

Amazon Nova多模態(tài)嵌入模型現(xiàn)已在Amazon Bedrock上線，可用區(qū)域包括美國東部(弗吉尼亞北部)的亞馬遜云科技區(qū)域。