近期Qwen3.5系列模型更新，引发了行业关注。这不仅是一次模型迭代，更是一个契机，用来审视当前多模态文档检索（VDR）领域的技术脉络。从多语言支持到推理密集型任务，技术范式正经历深刻变革。本文旨在梳理这些前沿进展，为理解文档智能的未来提供清晰视角。
智能速览
Qwen3.5系列迎来多个新模型，涵盖多种参数规模。
多模态文档检索正向多语言和推理密集型方向发展。
ColPali开创的多向量表征正替代传统单向量方法。
模态重排模型通过交叉编码器提升检索排序精度。
RAG与智能体融合是文档处理的核心发展趋势。
精华内容
模型更新终将服务于应用。透过技术表象，多模态文档检索领域正涌现出三大关键范式，它们共同塑造着文档智能的未来格局。
多模态嵌入
技术演进首先体现在多模态嵌入模型上。以ColPali为代表的多向量表征与Late-interaction机制，正逐步替代传统的单向量表征，实现了查询与文档视觉、文本区域的精准对齐，其核心通过MaxSim计算相关性。
模型骨干也从BERT等小模型转向PaliGemma、Qwen-VL等多模态大模型（MLLM），参数量集中在20亿至80亿级别。当前趋势体现在多个层面：在模型层，ColPali的Late-interaction机制被广泛适配；在数据层，通过大尺度数据集与MLLM作为评判者进行难负样本挖掘；在训练层，多任务学习与模态感知训练成为主流；在效率层，ColModernVBERT等小模型设计不断涌现。
模态重排模型
为了进一步提升相关性，模态重排模型常作为二次排序的利器。其技术原理基于交叉编码器架构，能够联合处理查询与候选文档，通过深度跨注意力机制捕捉细粒度的跨模态依赖，最终输出标量相关性得分以优化排序结果。
这类模型的backbone常采用Qwen2.5-VL等MLLM，参数量可达70亿。训练方式也日趋成熟，包括独立评估查询-文档对的点式、对比文档对相对相关性的成对，以及优化整体排序列表的列表式。目前，将多种范式融合（如LamRA-Rank结合列表式与点式）已成为主流选择，以追求更优的排序指标。
RAG与智能体融合
RAG与智能体系统的融合，正成为文档处理领域的核心发展趋势。这一范式推动了从静态检索增强生成（RAG）到动态、迭代式智能体系统的演进，使得系统能够进行更复杂的规划与决策。
交互模态也从单一的文本拓展至语音，例如TextlessRAG方案。同时，多智能体协作也展现出巨大潜力，如MDocAgent通过五个智能体协同工作。主动视觉感知技术，如VRAG-RL中的裁剪与缩放操作，让智能体能够更主动地获取信息，提升处理效率。
从模型更新到技术范式演进，多模态文档检索正走向更智能、更灵活的未来。理解这些趋势，无论是对于技术选型还是产品构建，都至关重要。下一个突破点会出现在哪个方向？
