發現2026/08/31
微信開源 WeMM-Embedding 深度拆解：登頂 MMEB-v2 的多模態向量模型，能在你的 Mac 上跑嗎？
從 arXiv 2608.24053 技術報告與源碼拆解 WeMM-Embedding：Qwen3.5 原生多模態 backbone、<embedding> token 池化、兩階段訓練（Semantic-ID 重採樣 + 双向 KL 蒸餾 + model merging）、MMEB-v2/v3 全榜單成績，以及 Mac Studio MPS 本地實測（47ms 文本 / 321ms 圖像 / 6GB 內存）與 BGE-m3 對比、雙通道接入方案。
WeMM-Embedding騰訊多模態+4
發現2026/06/10
Vector Memory 深度剖析：一套讓 AI Agent 再也不失憶的生產級記憶系統
狀態失憶是 Agent 生產環境的 #1 殺手。我們建了一套基於 Qdrant + BGE-m3 的四層向量記憶系統，9 種檢索模式，6,675 條記憶實戰驗證，中文搜尋精確度從 0% 拉到 >78%。一行 curl | bash，100% 本地部署，數據主權在你手中。
Vector MemoryQdrantBGE-m3+7