在ColPali模型实验中，工程师使用jina-clip-v2模型可视化图像与文本的嵌入相似性，生成热图。尽管这种可视化提供了有趣的洞察，但并非模型的主要目标，而是偶然结果。CLIP模型通过全局对比学习训练，未直接监督图像区域与文本标记的对应关系，因此局部对齐现象缺乏可靠性。

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。