Beobachtetes Signal · 11. Mai 2026 · Technical Release · Quelle: https://martechseries.com/feed/ · Relevanz: 3/5 · Sentiment: Positiv
Elastic lanciert Jina v5 Omni Multimodal Embeddings für Suche
Elastic hat mit jina-embeddings-v5-omni eine neue Familie multimodaler Embedding-Modelle vorgestellt, die Text, Bilder, Video und Audio in Vektoren abbilden. Die in den Größen Small und Nano verfügbare Omni-Familie nutzt denselben Text-Embedding-Raum wie jina-embeddings-v5-text. Dadurch können Unternehmen bestehende v5-Textindizes weiterverwenden und Multimedia-Inhalte ohne aufwendige Re-Indizierung einbinden. Die Modelle basieren auf einem universellen Sprachmodell zur Modalitätsausrichtung, bieten ein modulares Design zum Zuschalten von Modalitäten, variable Embedding-Grössen sowie Quantisierungs-Optimierungen zur Reduzierung von Speicher- und Rechenbedarf. Laut unabhängigen Benchmarks erzielt die Lösung Spitzenwerte in den Bereichen Audio (MAEB), Bild (MIEB, ViDoRe), Text (MMTEB) und Video (MMEB-v2). Die Veröffentlichung erfolgte am 11. Mai 2026.
Die Einführung multimodaler Embeddings durch einen etablierten Search- und KI-Anbieter optimiert cross-mediale Indizierungs- und Suchprozesse für MarTech- und Digital-Asset-Management-Stacks. Durch die Kompatibilität mit bestehenden Textindizes sinken die Migrationskosten signifikant.
Marktsignale zu Elastic in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Elastic kündigte die multimodale Embedding-Modellfamilie jina-embeddings-v5-omni an.
- Jina v5 omni ist in den zwei Modellgrößen Small und Nano verfügbar.
- Die v5-omni-Modelle teilen denselben Text-Embedding-Raum wie jina-embeddings-v5-text, was die Weiternutzung bestehender v5-Textindizes ermöglicht.
- Laut Elastic zeigen die Modelle Spitzenleistungen in Benchmarks wie MAEB (Audio), MIEB und ViDoRe (Bild), MMTEB (Text) sowie MMEB-v2 (Video).
- Die Modelle bieten modulare Modalitäts-Schalter, anpassbare Embedding-Grössen, multilinguale Unterstützung und Effizienzoptimierungen durch Quantisierung.
Verknüpfte Unternehmen
3 verknüpfte UnternehmenOntologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Elastic veröffentlicht Jina v5 Embedding-Modelle für Elasticsearch
Elastic hat die Verfügbarkeit von jina-embeddings-v5-text angekündigt, einer Familie aus zwei kompakten, Elasticsearch-nativen multilingualen Embedding-Modellen mit 239 Millionen und 677 Millionen Parametern für hochperformante semantische Suche. Laut Elastic übertreffen diese Modelle deutlich größere Varianten mit 7B bis 14B Parametern bei zentralen Such- und semantischen Aufgaben und erzielen Bestwerte im MMTEB-Benchmark. Der geringe Ressourcenbedarf zielt darauf ab, Infrastrukturkosten zu senken, Abfragen zu beschleunigen, Hybrid Search zu ermöglichen und den Einsatz in speicher- oder rechenschwachen Umgebungen zu erleichtern. Die Modelle sind als Open Weights auf HuggingFace für das Self-Hosted Inference über vLLM, llama.cpp oder MLX sowie über den Elastic Inference Service verfügbar, einen GPU-beschleunigten Inference-as-a-Service, der nahtlos in den Elastic-Stack integriert ist.
Elastic bringt Jina Multimodal-Suche in On-Premises- und Air-Gapped-Umgebungen
Elastic hat bekannt gegeben, dass Jina AI-Modelle ab sofort für On-Premises- und Air-Gapped-Implementierungen via Jina On-Prem verfügbar sind. Das Angebot bündelt 28 Jina AI-Modelle für Text, Bilder, Audio und Video in einem einzigen Embedding Space, der vollständig in Kundenumgebungen ohne ausgehende Netzwerkaufrufe, Telemetrie oder Lizenzserver läuft. Jina On-Prem unterstützt CPU- und GPU-Hardware mit automatischer GPU-Erkennung, kann kleinere Modelle auf einer einzelnen 8GB-GPU ausführen und dient als nahtloser Ersatz für Modelle, die über den Elastic Inference Service (EIS) in isolierten Elastic-Umgebungen bereitgestellt werden.
NVIDIA präsentiert Nemotron 3 Nano Omni Multimodal-Modell
NVIDIA hat ein Forschungspapier zu Nemotron 3 Nano Omni veröffentlicht, einem einheitlichen multimodalen Modell, das Text, Bilder, Video und Audio nativ verarbeitet und analysiert. Das Modell nutzt ein Mixture-of-Experts (MoE)-Backbone mit einer Konfiguration von 30 Milliarden Gesamt- und rund 3 Milliarden aktiven Parametern, integriert die Encoder C-RADIOv4-H und Parakeet-TDT für Vision und Audio sowie Funktionen zur dynamischen Bildauflösung und Conv3D-basierten temporalen Kompression. Mit einem erweiterten Kontextfenster von 256.000 Token und quantisierten Varianten in BF16, FP8 und FP4 zielt das System auf effiziente Inference auf Standardhardware ab. Der Bericht zeigt signifikante Leistungssteigerungen beim Durchsatz und der GPU-Effizienz im Vergleich zu Wettbewerbern auf und stellt Modellgewichte sowie Trainingsdetails bereit.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.