HomeAgent/docs/zh/multimodal-space.md

统一多模态向量空间

核心不绑定任何具体模型：它按 provider 名从公共注册表（pkg/embedding）打开一个 向量空间。仓库内自带两个：

provider	模态	维度	实测常驻	许可	适用
chineseclip	text + image	512	1.15 GB	Apache-2.0	默认（内存受限 / 中文图文）
qwen3vl	text + image（视频已实现未纳入契约）	2048	9.4 GB	Apache-2.0	内存充足 / 需要更强文本语义或视频
http	由外部服务决定	由外部服务决定	由外部服务决定	—	侧车部署（如 jina-v5-omni-nano，注意其 CC BY-NC 许可）

下面第一节是 Qwen3-VL（2048 维，最强但最重），第二节是 Chinese-CLIP（512 维， 默认推荐）。两者互斥启用，改配置后重启生效。

文本、图像、视频帧 在同一模型、同一维度、同一 fingerprint 空间里被编码。 记忆系统用它做三件事：多模态图记忆的跨模态召回、multimodal doc 的向量融合、 multimodal context 的相关性裁剪/淘汰。

统一空间取代了此前「把图片交给视觉模型生成文字描述、再按描述检索」的做法。 那条链路有三个致命缺陷：描述是异步生成的（未生成前媒体等于不存在）、语义检索 实际上只搜描述文字、图库里的「媒体节点」只是描述文本的投影而不是媒体本身。 不要再引入任何描述式索引。

一、产物与获取

产物约 8 GB（含外部权重），不进仓库；用导出脚本自动拉取模型并导出：

# 默认导出 图像 + 视频 G=2,3,4（即 4/6/8 帧）
python3 scripts/export_qwen3vl_embedding_onnx.py \
    --out /home/newqqagent/models/qwen3-vl-embed-multimodal-onnx

# 只要 4 帧的视频档（省磁盘、省内存）
python3 scripts/export_qwen3vl_embedding_onnx.py --video-groups 2 --out ...

# 已下载过模型：跳过拉取
python3 scripts/export_qwen3vl_embedding_onnx.py \
    --model-dir /path/to/Qwen3-VL-Embedding-2B \
    --out /home/newqqagent/models/qwen3-vl-embed-multimodal-onnx

# 参考向量默认直接写进产物目录（<out>/qwen_reference.json），无需额外参数
python3 scripts/export_qwen3vl_embedding_onnx.py --model-dir ... --out ...

国内镜像：导出脚本沿用 huggingface_hub 的约定，直接 export HF_ENDPOINT=https://hf-mirror.com 即可。 依赖：torch（CPU 版即可）、transformers>=4.57、onnx、onnxruntime、pillow、numpy， 以及可选的 huggingface_hub / modelscope。显存不需要，内存建议 ≥ 16 GB（FP32 加载约 8 GB）。

导出脚本会清空 --out 目录后重写，避免旧图/旧外部权重污染 fingerprint （fingerprint 变化会触发一次无意义的全量向量重算）。因此不要直接覆盖线上正在使用的目录， 先导出到新目录再切换。

产物契约（Go 侧按此读取）

文件	输入	输出
TokenEmbedding.onnx	input_ids int64 [1,seq]	hidden float [1,seq,2048]
Transformer.onnx	hidden、deepstack_0/1/2 [1,seq,2048]、rotary_cos/sin [1,seq,128]、causal_mask [1,1,seq,seq]	embedding [1,2048]
Vision.onnx(+.data)	pixel_values [2304,1536]	deepstack_feature_0/1/2、vision_hidden_states [576,2048]
Vision_g{N}.onnx	pixel_values [N×2304,1536]	同上，[N×576,2048]

外加 tokenizer.json、tokenizer_config.json、chat_template.jinja、embed_config.json、 qwen_reference.json。

Vision.onnx 是图像（单时间组）；Vision_g{N}.onnx 是视频（N 个时间组 = 2N 帧）。 没有 Vision_g1.onnx——单组就是图像那张。

三段只是部署形式，不是三个向量空间：图文共用同一 token embedding、同一 28 层 Transformer、同一 last-token 池化。RoPE 与视觉特征散射故意留在 Go 计算， 因为旧式 tracer 会把 seq=598 / visual=576 烘焙进图里——签名上写着 dynamic axis，实际却只能用导出的那个长度运行。

⚠️ max_length 必须按最大视频档推导

embed_config.json 的 max_length 是整条序列的上限，包含视觉占位符： 图像只需 598 token（1×576 + 模板），而视频是 G×576——G=2 就要 1190，G=4 要 2342。 沿用图像的 1024 会让处理器静默截断，然后在 transformers 内部报 Mismatch in video token count between text and input_ids。 导出脚本因此用 max_length_for(video_groups) = max(1024, max(G)×576 + 256) 自动推导， 并在构造视觉输入后显式断言视觉 token 数，把错误提前到导出阶段。

导出脚本自检（不可省）

脚本内部跑两道校验，任一道 cos < 0.999999 就以非零码退出：

1. 分段 PyTorch（三段组合）对比完整模型前向；
2. 用 onnxruntime 跑导出后的三段图，再对比完整模型前向。

「能加载」不等于「算得对」：形状错、输入名错、池化位置错的图都能正常 load。

一·补、text+image 默认空间：Chinese-CLIP ViT-B/16

为什么它是默认：text+image 只需要一个向量空间时，同时满足「小、可商用、中文原生」 的选项只有一个。

	Chinese-CLIP	jina-v5-omni-nano	Qwen3-VL-Emb-2B
参数量	188M	1.04B	2B
产物 / 实测常驻	721MB / 1.15GB	~2GB / 2.23GB	8GB / 9.4GB
维度	512	768	2048
许可	Apache-2.0	CC BY-NC（不可商用）	Apache-2.0
中文	原生（~2 亿中文图文对）	多语言	多语言
文本语义	弱（双塔对比）	好	最好
视频	无	有	有

要诚实记录的代价：CLIP 是双塔对比学习，text↔image 是强项，但纯文本语义 （text↔text）明显弱于 MLLM 型嵌入器。文本检索仍由既有词向量/TF-IDF 路径兜底， 本空间主要用于跨模态召回与相关性裁剪。需要更强文本语义或视频时切回 qwen3vl。

产物与获取

产物约 754MB，不进仓库；用导出脚本从官方权重导出（脚本入库，保证可复现）：

python3 scripts/export_chineseclip_onnx.py \
    --model-dir /path/to/chinese-clip-vit-base-patch16 \
    --out /home/newqqagent/models/chinese-clip-vit-b16-onnx

国内下载：本机 huggingface.co 走代理会被 reset，用 hf-mirror.com 且不设代理：

curl -4 -L --retry 3 -o vocab.txt \
  https://hf-mirror.com/OFA-Sys/chinese-clip-vit-base-patch16/resolve/main/vocab.txt

产物契约（Go 侧按此读取）

文件	输入	输出
TextEncoder.onnx	input_ids int64 [B,52]、attention_mask int64 [B,52]	text_features float [B,512]
VisionEncoder.onnx	pixel_values float [B,3,224,224]	image_features float [B,512]

外加 embed_config.json（维度/预处理/分词超参/文件名——provider 的唯一权威）、 vocab.txt、reference.json（冻结参考：逐文本 token id + 逐样本向量）、SHA256SUMS。

图像预处理：缩放到 224×224（双三次，复刻 PIL 系数）→ (x/255 - mean) / std， 不裁剪。文本：BERT WordPiece，max_length=52，补 [PAD]，超长截断尾部。 两个塔的输出都没有在图中归一化，归一化由 provider 负责（检索按余弦）。

启用

core.memory.multimodal_space.provider = chineseclip
core.memory.multimodal_space.options.model_dir = /home/newqqagent/models/chinese-clip-vit-b16-onnx

同样要求 homed 带 onnxruntime build tag。

模态范围

只声明 text 与 image。audio/video 明确返回 ErrUnsupportedModality—— 本空间没有它们的原生编码器，用别的模型向量冒充会污染整个向量空间 （这正是「音频明确 unsupported」那条纪律的落地）。

验证

Go 侧回归对着官方 PyTorch 参考（reference.json），模型目录由 CHINESECLIP_MODEL_DIR 指定，缺失时 skip：

CHINESECLIP_MODEL_DIR=/home/newqqagent/models/chinese-clip-vit-b16-onnx \
  go test -tags onnxruntime ./providers/chineseclip/ -v

实测结果：文本 5 个用例 cos = 1.000000000000（与官方逐位一致）； 图像 4 个纯色用例 cos = 1.000000（自写 bicubic 与 PIL 在 6 位小数内一致）； 另有跨模态判别、模态拒绝、指纹稳定性、产物缺失报错等用例。

两个已踩过的坑（都在测试里钉住了）

1. 分词器不能自己拼。第一版探针用 BertTokenizer(vocab_file=..., do_lower_case=True) 手工分词，中文被整体切成 [UNK]，三个不同句子产出几乎相同的向量（余弦 0.98）， 差点把「模型坏了」当成结论。官方配置是 do_lower_case=true + 删音标生效 + 中文逐字切分；Go 侧实现必须与官方逐 token 对齐（TestTokenizerMatchesOfficialReference）。
2. 参考向量是未归一化的原始输出（模长 10~36）。用「点积当余弦 + 单侧下界」判定 会得到 13.6 而「通过」——测试里因此改成真余弦 + 双侧容差。

二、启用

核心不识别任何具体模型：它只按配置里的 provider 名从公共注册表 （pkg/embedding）打开一个 provider，并把 options.* 原样交给它。 模型文件布局、预处理、媒体解码、运行时都在 provider 内部。

# 配置库（config.db）或 WebUI 设置页
core.memory.multimodal_space.provider = qwen3vl
core.memory.multimodal_space.options.model_dir = /home/newqqagent/models/qwen3-vl-embed-multimodal-onnx

# 或换成一个外部向量服务（任何语言写的都行）
core.memory.multimodal_space.provider = http
core.memory.multimodal_space.options.endpoint = http://127.0.0.1:18999/embed
core.memory.multimodal_space.options.dimension = 2048

options.* 是 provider 自己的命名空间，核心不做任何解释（对 qwen3vl 是 model_dir，对 http 是 endpoint/dimension/api_key/…）。第三方 provider 可以定义自己的选项，无需改核心。

注意事项：

• 内置 provider qwen3vl 要求 homed 带 onnxruntime build tag 构建，且 libonnxruntime.so 可被找到（/opt/onnxruntime/libonnxruntime.so 等）。 未带 tag 时该 provider 会注册但打开时报「requires build tag」，而不是静默降级。
• provider 为空时禁用多模态向量检索，退回纯 fastText 文本路径。
• 改配置后需重启进程生效。
• 未配置时优雅降级：文档层退到 TF-IDF 稀疏检索，媒体块仍按结构边关联，只是没有跨模态召回。

二·补、给核心接自己的模型

核心只依赖一个很小的公共接口（pkg/embedding）：

// 输入对核心是不透明字节：modality 决定语义，Data+MIME 由 provider 解释。
type Input struct {
    Modality Modality   // text / image / audio / video / …
    Purpose  Purpose    // query / document
    Text     string
    Data     []byte
    MIME     string
    Metadata map[string]string
}

type Provider interface {
    Embed(ctx context.Context, in Input) ([]float64, error)
    Info() Info                     // Dimension, Fingerprint, Modalities
    Close()
}

接入步骤：新建一个包，在 init() 里 embedding.Register("your-model", factory)， 再把这个包空白导入你的发行版 main（或替换内置 provider 的导入行）。 分词、预处理、解码、显存/内存管理、模型文件命名全部由你的 provider 决定。

两条原则值得强调：

• 能力是数据，不是接口方法：支持哪些模态写在 Info().Modalities 里。 这样新增模态不需要改核心接口，核心也不需要为每个新模态做类型断言。
• 不支持的模态返回 embedding.ErrUnsupportedModality，而不要拿别的模型顶替， 也不要降级成一个普通错误——调用方靠它区分「永远不会有向量」与「本次失败可重试」。

三、模态覆盖范围

Qwen3-VL-Embedding-2B（本空间，2048 维）

模型卡明载支持 Text / images / screenshots / videos；config.json 有 image_token_id 与 video_token_id，没有 audio_token_id/audio_config。

模态	状态	说明
文本	✅ 原生	VectorizeDense
图像	✅ 原生	EmbedImageDense，Vision.onnx，固定 768×768
视频	⚠️ 视觉侧已导出并校验，Go 模板未完成	EmbedVideoDense + Vision_g{N}.onnx；见下节
音频	❌ 本轮明确不做	决策结果；该模型也不具备（无 audio_token_id）

视频：帧 → 时间组 → M-RoPE（均已实测对齐）

项	值	验证方式
占位符	`<	video_pad
模板	与图像同构，只换占位符	apply_chat_template repr 逐字符比对
帧→槽位	组 g 的 tp0←帧2g、tp1←帧2g+1	PyTorch torch.equal == True，maxdiff=0；反向对照 False
patch 布局	[G,24,24,2,2,3,2,16,16]，即图像排列以 grid_t 为最外层堆叠	纯色视频于图像张量 torch.equal == True
视觉 token	G×576	处理器实测（G=2 → 1152）
M-RoPE	每组独立：base=start+24g；t=base、h=base+j/24、w=base+j%24	对应 get_rope_index 把 video grid 展开成 G 个 t=1 项
用错档	onnxruntime 报 InvalidArgument（维度不符）	实验实测，不会静默算错

同步注意事项：

• 帧数必须恰好是 2×G（G 取已导出的档）。奇数帧时只用得上前 2×floor(n/2) 帧， 多出的丢弃——不补重复帧，那会改变跳帧注意力看到的运动。
• video/*（视频文件）不能直接喂给图像入口：Go 侧没有视频解码器， EmbedImageDense(raw, "video/mp4") 返回 ErrModalityUnsupported。调用方必须先抽帧。
• 视觉图按需懒加载（每张约 1.6GB），未用到的档位不占内存。

导出视频时踩过的两个坑（都已加断言）

两个坑都会让产物「看起来正常、实际是错的」，且都不会在导出时报错：

1. 处理器会静默重采样帧。不给 video_metadata 时它回落到 fps=24， 把任何帧数都改成 grid_t=2：实测 4/6/8 帧全部得到 1152 个视觉 token。 修法：processor(..., videos=[frames], do_sample_frames=False)。
2. max_length 只按图像算是不够的。它是整条序列（含视觉占位符）的上限： 图像只需 598 token，而视频是 G×576——G=2 要 1190、G=4 要 2342。 沿用 1024 会截断并报 Mismatch in video token count between text and input_ids。 修法：max_length_for(G) = max(1024, max(G)×576 + 256)。

两个坑都会在导出脚本里显式断言（视觉 token 数、video_grid_thw 的组数）， 把错误提前到导出阶段而不是留给运行时。

音频（本轮决策：不加）

Qwen3-VL 不支持音频，由模型卡与 config.json 双重确认：

模型卡：Supported Input Modalities: Text, images, screenshots, videos, and …
config：image_token_id ✓ / video_token_id ✓ / audio_token_id ✗ / audio_config ✗

本机有音频能力的是另一个模型（jina-v5-omni-nano，768 维，含 modeling_llava_eurobert_audio.py 与 audio_token_id=128256），与 Qwen 空间 不同维度、不同坐标系，绝不可互相比较。决定：本轮不接入； 其侧车（scripts/embed_sidecar.py）也仍只实现 text/image，audio 返回 400。

无论何时接入，都不允许：拿视觉塔去编码音频字节、或用另一个模型的向量 冒充某空间的音频向量——那会把两套坐标系混进同一空间，且错误是静默的。 音频在原空间返回 vector.ErrModalityUnsupported，使调用方区分 「永远不会有向量」与「本次失败可重试」。

Qwen3-VL 视觉塔把 grid_thw 当 Python 值消费（源码里是 grid_thw.tolist()）， legacy tracer（dynamo=False）会把它固化成常量：实测把 grid_thw 声明为图输入后， 导出的 ONNX 图里根本没有该输入，换帧数调用直接报 Invalid input name: grid_thw； 导出时的 TracerWarning 明确提示 Converting a tensor to a Python list might cause the trace to be incorrect。

因此视频的可行做法是：在导出时固定时间组数 G，每个 G 一张 Vision 图 （grid = [G, 48, 48]），Go 侧按实际帧数选用匹配的图；用 G=2 的图去喂 G=3 的 数据属于未定义行为。视频文件本身不能直接喂进本空间（video/* 返回 ErrModalityUnsupported），必须由上层先抽帧。

四、验证

# Go 侧：ONNX 路径（模型目录缺失时自动 skip）
QWEN_ONNX_MODEL_DIR=/home/newqqagent/models/qwen3-vl-embed-multimodal-onnx \
  go test -tags onnxruntime ./internal/memory/qwen/ -v

# 排除二进制交付问题的替代：先单独验证模型与 CSV 无关的 ONNX 图
go vet -tags onnxruntime ./...

Go 测试覆盖：冻结参考向量（文本/图像各 12 维）、同输入确定性、不同输入敏感性、 图像与文本向量必须不同、以及音频/视频必须返回 ErrModalityUnsupported。

冻结参考向量由导出脚本写入产物目录本身（<out>/qwen_reference.json）， 来源可追溯：同一脚本既产出模型，也产出「这个模型对固定输入应有的输出」。 重新导出后若参考值变化，说明权重或图结构变了，必须显式更新参考而不是放宽阈值。

参考向量是 L2 归一化后的值。 ONNX 图返回的是 final norm 之后的原始 last hidden（量级约 100），而 Go 侧 VectorizeDense / EmbedImageDense 返回归一化向量。写参考时忘归一化，Go 测试会全线不匹配，而现象看起来 像“模型不对”，实际只是两边对“向量”的定义不同。

验证既有产物（不重新导出）：

python3 scripts/export_qwen3vl_embedding_onnx.py --verify-only --model-dir <model> \
    --out /home/newqqagent/models/qwen3-vl-embed-multimodal-onnx

脚本会顺便把归一化后的参考向量写入该目录。

与现有部署产物的等价性

本仓库脚本对同一源模型导出时，TokenEmbedding.onnx 与 Transformer.onnx 与 线上在用的产物逐字节相同（sha256 一致）；Vision.onnx 差异仅在打包形式： 旧产物把权重量到外部 Vision.onnx.data，新脚本内联在图里。两者数值等价。

注意这会带来一个操作性差异：Go 的结构指纹（computeFingerprint）把 *.onnx.data 的文件名与大小算在内，因此「外部权重版 ↔ 内联版」互换会让 fingerprint 变化，从而触发一次全量向量重算。重算不会算错（数值等价）， 只是白花一次 CPU；若不想触发，就保持产物打包形式不变。

五、资源成本

• 产物磁盘约 8 GB；导出过程峰值内存约 10–12 GB（FP32 加载）。
• 单次 CPU 推理：文本约几十毫秒量级，图像（2304 patch 过 24 层视觉塔 + 28 层语言模型） 明显更重，因此入库时不阻塞对话，靠 reembedStaleMedia 在启动时并发迁移 （ONNX 路径 4 worker）。
• fingerprint 由三段图 + embed_config.json + 外部权重文件名/大小共同决定； 换模型或重新导出都会让它变化，从而触发历史向量重算——这是预期行为。

视频：当前状态（未完成，不得当作已验证）

视觉侧：Vision_g2/g3/g4.onnx 已导出，且每一档都与完整 PyTorch 模型逐档对过 （cos 分别为 1.000000119 / 1.000000119 / 1.000000000，覆盖度断言通过）。

Go 侧模板：与 HuggingFace processor 产出不相等，因此冻结回归 （TestEmbedderVideoMatchesONNXReference）当前显式跳过并注明原因，不算通过。

已定位的差异：processor 会按时间组插入字面时间戳文本。逐 token 实测：

<|vision_start|> <0.0 seconds> <|vision_start|> {576×<|video_pad|>} <|vision_end|>
<1.0 seconds>   <|vision_start|> {576×<|video_pad|>} <|vision_end|>

而 Go 侧只生成 <|vision_start|>{G×576 pads}<|vision_end|>。同一输入下 Python seq=1190（1152 视觉 + 38 文本），Go 侧只有 22 个文本 token。

注意两点：

• 时间戳文本也占用 M-RoPE 位置，所以 TestVideoModelInputMRope 的自洽断言 通过不能证明与官方实现一致（它是拿自己算的序列验自己算的位置）。
• 修复位置在 provider 内部（模型专属模板本就属于 provider），不是核心。

另外，公共 provider 契约把 Data+MIME 交给 provider 自行解码；本 provider 没有视频解码器（Go 标准库不含 H.264/MP4），因此 Info().Modalities 不声明 video， Embed(video) 返回 ErrUnsupportedModality。视频走 provider 自己的 EmbedVideoDense（接收已解码帧）。待核心有了对 provider 不透明的多帧容器后， 再把视频纳入公共契约。