跨模态检索实战：用MiniMax_M3模型在海量图文资料中秒级查找素材效率

MiniMax M3支持秒级跨模态检索：将图文混合素材按文件名关联存入本地文件夹并压缩为≤2GB ZIP包，通过MiniMax Code v1.3.0+构建多模态索引后，可实现以图搜文、以文搜图及图文混合检索，结果附带路径与置信度分值。

你需要在上万张产品截图、设计稿、会议PPT和PRD文档中，快速定位某张特定界面的原始源文件，而不是靠关键词猜、靠人工翻、靠记忆蒙——MiniMax M3原生多模态能力支持图文联合嵌入，让跨模态检索真正落地为秒级响应的实际工作流。

准备图文混合数据集

把所有待检索的素材统一归入一个本地文件夹，结构不限层级，但需确保每张图片（.png/.jpg/.webp）与对应文字描述（.txt/.md/.pdf）在同一目录下或能通过文件名关联。例如：dashboard_v2.png 与 dashboard_v2.md 放在同一文件夹；若只有PDF，直接保留原始命名即可。

不建议混用OCR提取后的纯文本替代原始图像——M3对原图的视觉语义建模更鲁棒，尤其对图标布局、配色逻辑、UI组件间距等细节敏感，OCR文本会丢失这些关键跨模态锚点。

将整个文件夹压缩为ZIP包，大小建议控制在2GB以内。超过此体积时，M3在首次加载阶段可能触发内存溢出，导致后续嵌入失败。

用MiniMax Code启动M3多模态索引

打开MiniMax Code客户端（v1.3.0+），点击左上角「新建项目」→ 选择「多模态检索」模板 → 拖入刚准备好的ZIP包 → 点击「开始构建索引」。

这一步会自动调用M3的原生多模态编码器，对每张图生成视觉嵌入向量，同时对每份文本生成语义嵌入向量，并在内部建立图文对齐映射。整个过程无需人工标注或配对指令，M3在预训练阶段已习得图文联合表征能力。

【必须等待索引完成后再进行查询，中途关闭窗口会导致嵌入中断且不可恢复】

执行跨模态检索

方法一：以图搜文

在检索框右侧点击「上传图片」图标，选中一张产品界面截图（如404页面设计稿），松手即触发检索。系统返回Top5匹配文本片段，按相关性排序，首条通常是该图对应的需求文档段落或开发说明。

方法二：以文搜图

直接输入自然语言描述：“用户点击‘导出报表’按钮后弹出的灰色半透明遮罩层，右上角带X关闭图标”，回车。M3会实时将该语句编码为跨模态查询向量，在图文联合空间中搜索最接近的图像节点。

方法三：混合触发（推荐高频使用）

先上传一张模糊草图（手绘线框图或Figma截图），再在检索框追加文字补充：“加上深蓝色主色调和圆角按钮，适配移动端iOS状态栏”。M3会融合视觉粗粒度结构 + 文本细粒度约束，精准命中设计规范文档中的对应章节及参考图。

所有结果均附带原始文件路径与置信度分值（0.0～1.0），点击任一结果可立即在MiniMax Code内打开原文档并高亮匹配段落。