多模态检索的边界，正在被一款全新模型重新定义。ColQwen-Omni 的诞生，意味着文本、图像、视频、音频——四种模态的数据，能够一次性完成向量化与检索。没错，跨模态搜索从未如此直接和高效，这正是多模态 RAG（检索增强生成）迈向全模态的关键一步。

研究视觉文档检索的朋友，对 ColPali、ColQwen 和 DSE 应该不陌生。它们开创了一条新路：把文档页面当成截图，用视觉语言模型（VLM）直接编码成向量，省去繁琐的文字提取流程。ColPali 的实践早就证明，这种“截屏即索引”的方法不仅更快、更简单，而且检索效果往往更好。自发布一年来，ColPali 和 ColQwen 系列被下载了数百万次，甚至被称作“2024年顶级人工智能创新”之一，还催生了一大批后续研究。效果好到什么程度？原版的 Vidore 基准测试（Vidore v1）如今已经“显得过于简单”了。随着多模态 RAG 需求的爆发，模型需要处理更多模态信息。

随着 Qwen-Omni 这类强大的视觉语言模型登场，模型能处理的模态越来越多——音频、视频都不在话下。于是，一个自然的想法浮现：能不能把 ColQwen 的思路推广到音频和短视频上？继 VisionRAG 之后，AudioRAG 是否也能成为现实？ColQwen-Omni 给出了肯定答案。

今天，vidore 团队正式推出了ColQwen-Omni (3B)——它是 ColQwen2 的延伸，核心能力就是：你喂给它什么模态的数据，它就能嵌入什么模态的数据。无论是文本、图像、视频还是音频，统一向量化，轻松实现跨模态搜索。