亚马逊云科技上线Amazon Nova多模态嵌入模型

北京——2025年10月29日 亚马逊云科技宣布，Amazon Nova Multimodal Embeddings多模态嵌入模型现已在Amazon Bedrock上线，这是一款专为Agentic RAG与语义搜索应用打造的顶尖多模态嵌入模型。该模型是首个通过单一模型支持文本、文档、图像、视频与音频的统一嵌入模型，能以行业顶尖的准确率实现跨模态检索。

当今，企业正不断寻求解决方案，以期从文本、图像、文档、视频、音频等海量非结构化数据中挖掘价值。例如，某企业可能拥有产品图片、包含信息图与文字的宣传册，以及用户上传的视频片段。嵌入模型被广泛应用于这些场景，它可将文本、视觉、音频输入转换为数值表示形式的嵌入向量，这些嵌入向量会捕捉输入内容的语义信息，供AI系统进行比较、搜索与分析，为语义搜索、检索增强生成(RAG)等场景提供技术支撑。尽管嵌入模型能够挖掘非结构化数据的价值，但传统模型通常仅擅长处理单一类型的内容。这一局限迫使客户要么构建复杂的跨模态嵌入解决方案，要么仅局限于单一内容类型的应用场景。这一问题同样存在于混合模态内容类型，例如文本与图像内容交织的文档，或融合视觉、音频、文本元素的视频，现有模型也难以有效捕捉这类内容中的跨模态关联。

Amazon Nova多模态嵌入模型正为解决上述挑战而生!它为文本、文档、图像、视频、音频构建了统一的语义空间，可支持多种场景，包括混合模态内容的跨模态搜索、基于参考图像的搜索，以及视觉文档检索。

开发团队基于各类基准测试对该模型性能进行了评估，结果显示，其开箱即用的准确率处于领先水平。Amazon Nova多模态嵌入模型支持的上下文长度最高达8000 tokens，可处理的文本语言多达200种，并能通过同步与异步API接收输入。此外，它支持分段处理功能(也称为 “分块”，Chunking)，可将长文本、视频或音频内容拆分为易于处理的片段，并为每个片段生成嵌入向量。最后，该模型提供四种输出嵌入维度，采用套娃表征学习(Matryoshka Representation Learning，MRL)训练，能在几乎不影响准确率的前提下，实现低延迟的端到端检索。

Amazon Nova多模态嵌入模型提供四种输出维度选项：3072、1024、384和256。输出维度越大，生成的表征信息则越详细，但也需要占用更多的存储空间和计算资源。相反，输出维度越小，则能在检索性能与资源效率之间实现更实用的平衡。这种灵活性可帮助用户根据具体应用场景和成本需求进行优化。

该模型能处理较长的上下文内容。对于文本输入，它单次可处理多达8192个tokens;对于视频和音频输入，支持处理长达30秒的片段，且能对更长的文件进行分段处理。在处理大型媒体文件时，这种分段能力尤为实用——模型会将文件拆分为易于处理的片段，并为每个片段生成嵌入向量。

该模型包含集成了内置于Amazon Bedrock的负责任的AI功能。提交用于生成嵌入向量的内容会经过Amazon Bedrock内容安全过滤器的检测，同时模型还内置公平性措施以减少偏差。

该模型可通过同步和异步API调用。同步API适用于需要即时响应的实时应用场景，例如在搜索界面中处理用户查询;异步API则能更高效地处理对延迟不敏感的工作负载，因此更适合处理视频等大型内容。

Amazon Nova多模态嵌入模型现已在Amazon Bedrock上线，可用区域包括美国东部(弗吉尼亚北部)的亚马逊云科技区域。