Sentence Transformers v6.0 新增 MultiVectorEncoder，支持 ColBERT 风格多向量模型

Sentence Transformers v6.0 新增第四种模型类型 MultiVectorEncoder，可直接加载 PyLate、Stanford-NLP ColBERT 及 colpali-engine 检查点，用于 ColBERT 式晚期交互检索。

核心亮点

MultiVectorEncoder 让晚期交互检索模型首次成为 Sentence Transformers 的一等公民，开发者无需在多个框架间切换，就能统一处理稠密向量与多向量表示，简化了检索系统的技术栈，也减少了维护多套依赖的麻烦。

具体能力或事件经过

此前 Sentence Transformers 已支持稠密、稀疏与双编码器表示。v6.0 补齐多向量能力后，用户可用同一套 API 加载 ColBERT 类模型，对文档生成多个向量并做逐 token 交互打分，从而显著提升长文档检索的精度，尤其适合答案分布在多处片段的场景。

技术细节

该编码器兼容 PyLate 与 Stanford-NLP 的 ColBERT 权重，也能载入 colpali-engine 的视觉多向量检查点，把能力扩展到图文检索。推理时可配置向量维度与交互深度，在精度与显存之间做权衡，便于按硬件条件调优。

与竞品对比

相较需要单独维护 ColBERT 服务，MultiVectorEncoder 明显降低了集成成本，但在超大规模索引上仍需配合量化与近似检索，否则显存与延迟会快速膨胀，工程上仍需谨慎规划。

行业影响或适用场景

对需要高精度检索的问答、法务与多模态搜索场景，该更新降低了晚期交互模型的工程门槛，让中小团队也能用上此前偏重的研究级方法，而不必自行搭建整套推理与服务。