Google 多模态嵌入模型发布，推理须弃用 FP16

Google 发布多模态嵌入模型，视频默认每秒采样 1 帧，音频需为 16 kHz 单声道，每个图像或帧的视觉 soft token 预算可在 70 至 1120 之间配置。运行该模型时应弃用 FP16，改用 BF16 或 FP32，因模型激活值范围超出 FP16 动态范围。模型卡警告会出现 NaN 或嵌入向量静默退化。