Hugging Face facilita ajuste de embeddings multimodales

Resumen En qué punto está

Hugging Face lanzó en Sentence Transformers v5.4 soporte para modelos de embeddings y reranking multimodales, combinando texto, imagen, audio y vídeo en un mismo espacio vectorial. Poco después publicó una guía para ajustar (finetuning) estos modelos, mostrando que un Qwen3-VL-Embedding-2B afinado para recuperación visual de documentos superó a modelos base y a otros más grandes en la métrica NDCG@10. La guía introduce herramientas como Router y MatryoshkaLoss para optimizar codificadores por modalidad y dimensionalidad. El desarrollo apunta a abaratar la construcción de sistemas de búsqueda y RAG multimodal sin depender de APIs externas ni modelos de gran tamaño.

Resumen generado mediante IA a partir de las 2 noticias de la historia. Última actualización: 10 sep.