Haon-Chen/e5-omni-3B

Haon-Chen/e5-omni-3B est un modèle d’embedding omnimodal publié par Haon-Chen le 6 janvier 2026 sous licence ouverte MIT. Construit sur Qwen2.5-Omni-3B, il compte 5 milliards de paramètres, tous actifs, et produit un vecteur dense unique de 2 048 dimensions, normalisé L2.

Le modèle place le texte, les images, l’audio et la vidéo dans un espace de représentation unifié, y compris au sein de documents multimodaux. Il prend notamment en charge la recherche textuelle multilingue et intermodale. Ses vecteurs servent à la recherche sémantique, au RAG, à la mesure de similarité et au clustering. L’intégration est possible avec Sentence Transformers ou directement avec Transformers.

Caractéristiques

Performances (benchmarks)

Scores issus de MTEB (Massive Text Embedding Benchmark), suite d'évaluation indépendante. Le rang situe le modèle parmi les modèles d'embedding évalués sur le même track.

Comment se situe-t-il ?

Le modèle (en orange) comparé aux meilleurs modèles sur chaque dimension évaluée, et à ses voisins de classement.

Notre analyse

Forces. Les meilleurs classements MTEB de Haon-Chen/e5-omni-3B concernent Image-Text, Lite, MAEB et MAEB Audio-Only, où il figure parmi les dix premiers. Ce positionnement met en avant l’alignement entre images et texte ainsi que la représentation de contenus audio, seuls ou associés à du texte. Son espace unifié facilite aussi la recherche entre plusieurs modalités et la recherche textuelle multilingue. La normalisation L2 simplifie les comparaisons de similarité. La licence MIT autorise l’auto-hébergement et l’adaptation, tandis que la compatibilité avec Sentence Transformers et Transformers facilite l’intégration.

Limites et points d'attention. Les résultats sont moins bien classés sur les ensembles vidéo : MVEB Video-Only se situe hors du groupe de tête, tandis que MVEB et MVEB Video-Text apparaissent dans la partie basse de leurs classements respectifs. Les vecteurs de 2 048 dimensions alourdissent les index et rendent la recherche plus coûteuse que des représentations plus compactes. Les 5 milliards de paramètres actifs impliquent également un modèle substantiel à exécuter. Usages pertinents : recherche sémantique et intermodale, RAG multimodal, similarité et clustering de textes, images, contenus audio ou vidéo.

Sources des données : MTEB — Massive Text Embedding Benchmark · LLM-Stats (llm-stats.com).