BGE-VL-MLLM-S1模型相比传统方法有哪些技术优势？

性能突破: 在CIRCO零样本图像检索基准上mAP@5提升8.1%，在MMEB多模态基准表现优异
架构创新: 基于异构KNN三元组训练，整合了视觉-语言大模型的联合表征能力
零样本适应: 通过任务指令（task_instruction）机制实现开箱即用的跨模态对齐
高い拡張性: 当数据量超过50万样本时，其表现已超越传统微调模型

特别值得注意的是，该模型支持通过单次前向传播同时处理图像和文本输入，生成联合嵌入向量，这种端到端的设计极大简化了多模态检索流程。