OmniUE：跨文本、视频与音频的全交互通用嵌入模型

OmniUE 是首个全交互通用嵌入模型（Omni-Interactive Universal Embedder），通过专用可学习 token 的中间层表示，在文本、视频和音频之间学习统一嵌入空间，并支持以文本、视觉感兴趣区域和音频片段作为查询输入。