过去几年，大模型越来越像一个会交流的“人”：能写作、能总结、能翻译，也能调用工具。但当大模型从“聊天”走向“办事”，第一步往往不是生成答案，而是找到信息。

在企业真实业务里，信息并不会整齐地放在一篇篇文本中。它可能藏在一张产品图、一页PDF、一段视频、一份表格、一张流程截图、一个工单附件，甚至是一段多轮对话里。用户真正想要的，也不是“搜到某个文件名”，而是找到能够支撑判断、解决问题的证据。

多模态Embedding的作用，可以通俗理解为给不同形态的信息建立同一套“语义坐标”。图片、文本、文档、截图、视频片段被放进同一个空间后，系统就可以知道哪些内容语义接近、哪些证据更相关、哪些结果应该排在前面。

因此，多模态搜索并不是“让搜索框多支持几种文件格式”，而是让AI能够在真实世界的信息里找得到、看得懂、用得上。这也是Agent能否真正进入业务现场的基础能力。

传统关键词搜索更像是在匹配字面信息：标题里有没有这个词，正文里有没有这句话。但真实业务里的问题往往复杂得多。比如，工程师可能拿一张缺陷图片去找历史案例；客服可能要从截图、工单和产品说明中找到原因；业务人员可能要在PDF、PPT和表格里找到支撑结论的证据。

这些场景的难度在于，模型不仅要“看见”图片里有什么，还要理解用户为什么要搜、应该搜什么、哪个候选结果更有用。更进一步，很多样本之间并不是简单的一问一答、一图一文关系：一个问题可能对应多个合理答案，一个候选结果也可能在不同上下文里成立。如果训练时把这些边界样本简单当作错误，就会把模型带偏。

通俗地说，多模态搜索要同时解决三件事：

MMEB的价值正在于此。它不是单一任务的分数题，而是一场更接近真实业务的综合压力测试。分类、问答、检索、定位等任务被放进同一个框架里，模型必须证明自己不是只在某个场景有效，而是具备通用的多模态表示能力。

概括来说，这套方案可以理解为“诊断—复核—增强—迁移”的闭环：先找准问题，再过滤噪声，把评测难点转成训练信号，最终让模型在真实输入条件下也能更稳、更准地完成检索。

从榜单领先到业务落地：价值不止在模型分数

对华为云AI而言，这项能力有助于构建面向企业智能体的多模态检索底座，助力提升搜索和Agent产品的搜索竞争力，作为核心知识搜索引擎多维度增强Agent性能。对华为云客户而言，多模态Embedding将激活企业里大量分散、沉睡、难检索的数据，助力重新组织成可被AI调用的知识资产。