如果你已经读过我们上一篇经典长文《DeepSearch/DeepResearch 的设计与实现》，那么不妨再深挖一些能大幅提升回答质量的细节。这次，我们将重点关注两个细节：从长网页提取最优文本段：如何利用迟分(late-chunking)算法，从长网页内容中选取最相关的信息小片段。对收集到的URL进行重排：如何利用重排器(Reranker) 让 LLM Agent 在几百个URL中聪明地选择爬取哪

2025 年将是 AI 迅猛发展的关键一年。中美之间的竞争日益激烈，Deepseek-R1 一鸣惊人，大模型正向 Test-Time Compute 方向演进，垂直领域的智能体（Agent）也逐步落地。在这样充满机遇与挑战的一年，作为 AI 从业者或初创公司，我们应该如何把握机会，走向成功？之前读到一本书《为什么伟大不能被计划》，由 OpenAI 的两位前研究员撰写。我还没有完全读完，但无论是我个

最近，我们团队的一位工程师在研究类 ColPali 模型时，受到启发，用新近发布的 jina-clip-v2 模型做了个颇具洞察力的可视化实验。实验的核心思路是，对给定的图像-文本对，计算文本里每个词的向量（token embeddings）和图像里每个图像块的向量（patch embeddings），计算它们之间的相似度。然后，把这些相似度数值映射为热力图，叠加在图像之上，就能直观地看到文本 t

查询扩展 (Query Expansion) ，这股风潮又刮回来了！作为曾经搜索的标配，后来一度沉寂，在今天推理式搜索 (Agentic Search) 的浪潮下，查询扩展又重新回到了聚光灯下。做过 Agentic Search (比如 DeepSearch/DeepResearch) 的朋友肯定深有体会，用户直接输入的查询词，要么太笼统，不够聚焦；要不就太细碎，不够全面。这让那些依赖关键词匹配或

凭借这一精细的训练控制，Jina-VLM 不仅在 MMMB 等多语言视觉榜单上达到 SOTA，更关键的是，在 MMLU（通用知识）和 GSM-8K（数学推理）等纯文本基准测试中，它几乎完整保留了 Qwen3-1.7B 基座的性能，真正实现了。，连接 SigLIP2 视觉编码器与 Qwen3 语言基座，成功在支持 29 种语言的同时，实现了对任意分辨率下自然图片和文档图片（如扫描件、ppt、表图）上

其中，其多向量版本不仅在专业的视觉文档基准上取得了最高分（ViDoRe 90.2 分，Jina-VDR 80.2 分），同时在通用的多模态检索任务（CLIP 84.1 分）上也保持了强大的竞争力。我们没有采用高成本的长序列训练，而是通过“短训长用”（train short, deploy long）的巧思，借助 ALiBi 算法，让一个仅在 512 词元上训练的模型，推理时能无缝处理 8192 词

在 ViDoRe（视觉文档检索，NDCG@5 达 91.02）和 M-BEIR（跨模态检索，比如文搜图、图搜文）这些基准上，m0 表现非常扎实，能够有效理解并排序包含丰富视觉信息的文档，效果明显好过纯文本模型，也优于我们测的一些同类多模态竞品（如基于 Qwen2-VL 的 MonoQwen2-VL-v0.1）。对于其他的输入组合（如图像到图像、图像到多模态文档、文本到多模态文档），模型也具备零样本

MCP 的开放性允许我们串联多个独立的 MCP 服务器，构建更强大的工作流。在这个示例中，我们组合了 Jina MCP 服务器和一个 PDF 阅读器的 MCP：https://github.com/sylphxltd/pdf-reader-mcp，目标是生成一份关于欧美 AI 法律合规的研究报告。根据我们的实践，当前 Agent 的能力瓶颈主要在于 LLM 本身，实际应用中还是需要通过精巧的提示工

为此，我们专门 fork 了 llama.cpp，改造了它的向量处理器，设计了一套分阶段的处理流程，让它能够直接接收 Base64 编码的图像。中补全这一能力，同时，我们也会将其性能（包括两个量化版本）与 PyTorch 版的 jina-embeddings-v4，也就是我们后文将反复提及的参考模型，进行全面的性能对比。为了进一步深挖两者之间可能存在的细微差异，我们还选取了来自不同领域、不同分辨率

MCP 的开放性允许我们串联多个独立的 MCP 服务器，构建更强大的工作流。在这个示例中，我们组合了 Jina MCP 服务器和一个 PDF 阅读器的 MCP：https://github.com/sylphxltd/pdf-reader-mcp，目标是生成一份关于欧美 AI 法律合规的研究报告。根据我们的实践，当前 Agent 的能力瓶颈主要在于 LLM 本身，实际应用中还是需要通过精巧的提示工