随着大型语言模型的发展，基准测试成为评估其性能的重要标准。MTEB是用于嵌入模型的通用基准，但存在过拟合问题。RTEB作为新基准，专注于真实检索任务，结合公共和私有数据集，提供更准确的评估，适用于多种行业和语言。

多语言大模型中的跨语言表示对齐能提升跨语言任务性能。传统对齐方法需大量计算资源和数据，而模型干预是一种更高效的替代方案。我们分析了一种流行的干预方法（寻找专家），发现通过操控神经元可增强跨语言对齐，检索任务性能最高可提高2倍准确率。

voyage-context-3是一种新型上下文化块嵌入模型，能够在无需手动元数据的情况下捕捉文档完整上下文。与传统模型相比，它在块级和文档级检索任务中表现更优，提升了检索准确性并降低存储成本。该模型简化了技术架构，支持多维度和量化选项，适用于长文档和高敏感度检索任务。

块大小指单个块中允许的最大字符或标记数，块重叠则是相邻块共享的字符或标记数，以确保重要上下文不丢失。通过编程可以有效地将文本分块，适用于嵌入模型和检索任务。

jina-clip-v2是新发布的多模态嵌入模型，支持89种语言，图像分辨率提升至512x512，性能较v1提高3%。该模型结合文本和视觉编码器，适用于多种检索任务，表现优异。