2025 必看硬核：多模态 Embedding 万字拆解，从统一 VLM 到 ColQwen2，选型逻辑彻底变了

如果你在2024年之前做过多模态检索相关工作，大概率绕不开CLIP这个标杆模型。那时的多模态Embedding更像是两个独立的“翻译官”，图片编码器用ViT架构把图像变成向量，文本编码器靠BERT架构处理文字，最后全靠余弦相似度在向量空间里“牵线搭桥”。但这种模式的局限显而易见，图片和文本始终存在“模态鸿沟”，既看不懂PDF里的复杂表格，也读不懂UI界面的按钮含义，更别说捕捉视频里一闪而过的关键细节。

进入2025年，随着Qwen2.5-VL等原生多模态大模型的崛起，多模态Embedding迎来了颠覆性变革。它不再是简单的独立特征提取器，而是进化成了能深度理解图文关系的“统一视觉语言大脑”。这场变革不仅重构了技术架构，更彻底改变了选型逻辑，现在我们关注的不再是“能不能把图文转成向量”，而是“如何用更低成本、更高精度满足特定业务场景”。

一、架构革命：从“分头翻译”到“统一理解”

2025年多模态Embedding的核心突破，本质是架构设计的三大革新。这些变革彻底解决了传统CLIP的“模态鸿沟”和“信息丢失”问题，让模型真正具备了“读懂”图文的能力。

1. 统一VLM架构：打破图文的“平行世界”

传统CLIP的工作模式更像是“分头行动”：图片走ViT路线生成向量A，文本走BERT路线生成向量B，两者在向量空间的相遇更像是“偶然邂逅”，缺乏真正的语义共鸣。这也是为什么CLIP能区分“猫”和“狗”，却看不懂“图表中红色曲线对应Q3销售额下滑”这样的复杂关联。

2025年的统一VLM架构（代表作Jina Embeddings v4、GME-Qwen2-VL）彻底改变了这一逻辑。它会先把图片切割成一个个小图块，然后将这些图块映射成“视觉Token”，这种Token和文本经过分词后生成的“文本Token”格式完全一致。之后，这些混合了视觉和文本信息的Token会被一起输入到同一个Transformer（大语言模型的核心架构）中，通过深度自注意力机制进行交互。

这种架构的核心价值在于“统一理解”而非“分别转换”。模型不再是机械地将图文翻译成向量，而是像人类阅读图文资料一样，同时处理视觉和文本信息，自然就能建立起细粒度的语义关联。比如面对一张包含产品参数表的图片和一段“查找续航超过10小时的笔记本”的查询，统一VLM模型能直接定位表格中“续航”对应的数值，而传统CLIP只能模糊匹配图片的整体特征。

2. 视觉迟交互：让图片不再“被压缩”

如果说统一VLM架构解决了图文“沟通问题”，那么视觉迟交互（Visual Late Interaction）就解决了“信息丢失问题”。传统CLIP会把一张完整的图片压缩成一个单一向量，这就像把一本厚书浓缩成一句话摘要，必然会丢失大量关键细节，这也是为什么CLIP在检索复杂文档时表现拉胯的核心原因。

2025年，受文本领域ColBERT模型启发，ColPali、ColQwen等机制将“迟交互”引入视觉检索。其核心逻辑是：不再将图片压缩成一个向量，而是保留128~768个多向量（Multi-Vector），每个向量对应图片的一个图块（Patch）。在检索时，文本的每个Token会和这几百个图片Patch向量逐一计算相似度，然后取最大值求和（MaxSim操作）。

这种机制的“杀手级应用”是视觉文档检索。以前处理PDF时，必须先经过OCR将图片转成文本，一旦遇到复杂表格、公式或特殊排版，OCR就容易出错，后续检索自然精准度大跌。而ColQwen2这类支持迟交互的模型，能直接把PDF当图片处理，无需OCR转换——文本中的“求和符号”能直接匹配图片中对应形状的像素块向量，“表格第三行第二列数据”能精准定位到对应的图片Patch，准确率比传统方案高出20%~30%。

3. 原生宽高比：图片不再“被压扁”

在CLIP时代，所有图片都必须统一缩放成224x224的固定分辨率。这就导致长条形的商品图（比如高跟鞋、窗帘）被强行“压扁”，关键细节丢失；而方形图片又要被裁剪，信息完整性受损。

2025年，Google DeepMind的SigLIP 2带来了NaFlex机制，支持原生宽高比（Native Aspect Ratio）输入。这意味着图片可以保持原始形状直接输入模型，无需强制缩放或裁剪。比如检索一双长筒靴的图片时，模型能完整保留靴筒的长度、纹路等细节；查找横幅式的UI截图时，也不会因为压缩导致按钮文字模糊。这种对原始信息的完整保留，让纯视觉检索的精准度提升了一个档次，尤其适合电商商品检索、UI设计素材查找等场景。

二、底层逻辑：三个公式看懂技术升级的本质

要真正理解为什么2025年的新模型更准、更快、更灵活，就必须看透其核心计算逻辑的演变。以下三个数学公式，正是这场变革的底层密码。

1. 损失函数：从“找唯一答案”到“判断每对匹配”

模型的训练目标决定了其学习能力。CLIP时代的训练逻辑是“在一堆错误答案中找到唯一正确答案”，而2025年的新模型则转向“判断每一对图文是否匹配”，这种转变的核心是损失函数从Softmax到Sigmoid的进化。

（1）CLIP的InfoNCE Loss：受限的“全局竞争”

CLIP使用的是基于Softmax的交叉熵损失（InfoNCE Loss）。对于一个批次（Batch）中的N对图文，模型需要计算每一对正样本相对于所有负样本的相似度，公式如下：

L = -log[exp(s(x_i,y_i)/τ) / Σ(exp(s(x_i,y_j)/τ))]（j从1到N）

这里的关键问题是分母需要计算整个批次中所有负样本的总和，这就要求所有GPU之间必须同步数据（All-Gather操作）。其计算复杂度是O(N²)，这导致Batch Size很难做大，通常限制在32k左右。批量太小意味着模型能学习到的“负例”有限，面对“阿拉斯加犬”和“哈士奇”这种相似性极高的样本时，区分能力就会变弱。

（2）SigLIP的Sigmoid Loss：无限扩展的“独立判断”

SigLIP摒弃了全局归一化，将每一对图文视为一个独立的二分类问题（匹配或不匹配），使用Sigmoid损失函数：

L = -Σ[ y_ij·logσ(s(x_i,y_j)+b) + (1-y_ij)·log(1-σ(s(x_i,y_j)+b)) ]

其中σ是Sigmoid函数，b是可学习的偏置项，y_ij是指示函数（正样本为1，负样本为0）。这种设计的核心优势有两个：

一是解耦计算，不再需要全局分母，每个GPU只需处理自己的样本对，无需跨设备同步；二是Batch Size可以无限扩展，轻松达到1M+。批量的大幅提升让模型能接触到海量负例，学会区分极细微的特征差异——不仅能分清“阿拉斯加犬”和“哈士奇”，还能识别出同一款产品的不同配色、同一型号设备的细微外观差异。

2. 交互机制：从“全局点积”到“局部最优匹配”

传统多模态Embedding的交互方式是“Dense Retrieval”，即将图文都压缩成单一向量后计算点积：

Similarity = dot(Encode(Text), Encode(Image))

这种方式的问题在于“信息瓶颈”——就像把一本书和一篇文章都浓缩成一句话，再判断两者是否相关，必然会丢失大量细节。比如查询“红色按钮在左上角的APP界面”，传统模型只能匹配“红色”“界面”等全局特征，无法精准定位“左上角”这个局部信息。

2025年的Late Interaction机制（ColQwen2为代表）彻底改变了这种交互逻辑。它保留文本的Token序列和图片的Patch向量序列，通过MaxSim操作计算相似度：

Similarity = Σ[ max_k(dot(t_i, p_k)) ]（i为文本Token索引，k为图片Patch索引）

简单来说，就是文本中的每个词（比如“红色”“左上角”“按钮”），都会在图片的所有图块中找到最相似的那个，然后将所有最大值求和。这种方式的优势在于“抓重点”——即使图片背景复杂、无关信息较多，只要关键图块与查询匹配，就能得到高相似度分数。

这也是为什么ColQwen2能取代OCR的核心原因：它不需要将视觉信号强行转成文本，而是让文本直接与视觉特征对齐。比如查询“公式中的求和符号”，模型能直接匹配图片中形状对应的Patch向量，无需OCR识别这个符号的文字表述，避免了转换过程中的误差。

3. 维度控制：从“固定维度”到“套娃式存储”

随着模型能力的提升，向量维度也在不断膨胀，Jina Embeddings v4的向量维度已达到2048维。高维度意味着更好的表达能力，但也带来了存储成本的飙升：向量数据库的存储开销、检索时的计算开销都会成倍增加。

2025年成为标配的Matryoshka Representation Learning（MRL，套娃表示学习），完美解决了这个矛盾。其核心是通过特殊的损失函数，让模型将重要信息“挤压”到向量的前几维中：

L_total = Σ[ w_k·L(Encode_k(Text), Encode_k(Image)) ]（k为嵌套维度）

其中Encode_k表示取向量的前k个维度，w_k是权重系数。传统模型的信息均匀分布在所有维度中，一旦截断维度（比如从768维降到64维），就会导致语义信息严重丢失；而MRL模型的前64维能形成低分辨率的语义空间，前128维是中分辨率，前2048维是全分辨率。

这意味着我们可以根据业务需求灵活调整向量维度：追求极致性能时用2048维，存储成本紧张时就无损截断到256维甚至128维，性能损失不足2%。这种“按需分配”的维度设计，让多模态Embedding的部署成本大幅降低。

一张表看懂新旧模型的核心差异

三、评估体系：选对指标，才不会选错模型

在多模态Embedding的选型中，“怎么评”直接决定了“选得对不对”。很多团队容易陷入“唯MTEB分数论”的误区，但实际业务中，不同场景的核心诉求天差地别——做电商商品检索和做学术文档RAG，需要关注的指标完全不同。2025年的评估体系，必须兼顾“检索质量”和“推理性能”，还要结合具体场景的业务指标。

1. 检索质量指标：精准度的核心判断标准

检索质量的核心是“能不能找到想要的内容”，以及“找到的内容排不排在前面”。以下四个指标是2025年行业公认的核心评估维度，不同场景下权重不同：

（1）MTEB：通用场景的“基础分数线”

MTEB（Massive Text Embedding Benchmark）是多模态Embedding的“基础体检”，但我们需要重点关注其Retrieval子任务的分数，尤其是T2I（文本到图片）和I2T（图片到文本）的平均分。这个指标适合评估通用图文检索能力，比如“以文搜图找风景照”“以图搜文找相关描述”等场景。

需要注意的是，MTEB的测试数据集多为通用场景（猫猫狗狗、日常物品），如果你的业务是垂直领域（比如医疗影像、工业图纸），MTEB分数只能作为参考，不能作为最终决策依据，毕竟能分清“柯基”和“柴犬”的模型，未必能区分“肺炎胸片”和“正常胸片”。

（2）ViDoRe：文档RAG场景的“关键指标”

ViDoRe（Visual Document Retrieval Benchmark）是2025年崛起的专项指标，专门针对PDF、幻灯片、表格、截图等文档类检索场景。它不测试通用图片分类，而是聚焦“文档内信息定位”——比如“在1000份研报中找到包含‘2025Q3新能源汽车渗透率’的表格”“在500页PDF中找到提到‘专利申请流程’的截图”。

如果你做的是文档知识库、学术检索、企业内部资料管理等RAG相关业务，ViDoRe的权重必须高于MTEB。根据行业实测，在文档场景中，ViDoRe分数top3的模型，实际业务准确率比MTEB高分模型高出15%~20%。

（3）Recall@K：RAG系统的“生命线”

Recall@K（召回率Top-K）指的是“在所有相关结果中，模型前K个结果能覆盖多少”。对于RAG系统来说，这是最核心的指标——如果Recall@10很低，意味着大语言模型根本看不到相关的参考素材，后面再怎么优化生成逻辑，也是“无米之炊”，最终答案很可能是瞎编。

不同场景对K值的要求不同：电商商品检索通常看Recall@20（用户可能翻2-3页），文档RAG看Recall@10（大语言模型一般只取前10条参考资料），短视频检索看Recall@50（用户可能连续刷多个相关视频）。选型时，要确保目标场景的Recall@K达到85%以上，否则会严重影响用户体验。

（4）NDCG@K与MRR：排序质量的“试金石”

如果说Recall@K关注“有没有找到”，NDCG@K和MRR就关注“排得好不好”。

NDCG@K（归一化折损累计增益）衡量的是“相关结果的排序位置”——最相关的结果排在第一位，得分最高；如果排在第五位，得分会打折。这个指标适合对排序精度要求高的场景，比如电商商品检索（用户更可能点击前3条结果）、学术论文检索（用户优先看最相关的文献）。

MRR（Mean Reciprocal Rank）是“正确答案排名的倒数平均值”，比如正确答案排在第1位，得分1；排在第3位，得分1/3。它反映了模型对“首选答案”的信心，适合需要快速定位唯一核心结果的场景，比如“在大量合同PDF中找到‘违约责任’条款”“在UI截图中找到‘支付按钮’的位置”。

2. 推理性能指标：落地可行性的核心考量

再好的模型，如果跑不起来、成本太高，也只能停留在实验室。2025年的推理性能评估，必须关注以下四个维度，尤其是高并发、大规模部署场景：

（1）推理延迟（Latency/QPS）

推理延迟指的是“把一张图片或一段文字转换成向量需要的时间”，单位是毫秒（ms）；QPS（Queries Per Second）则是每秒能处理的请求数。这两个指标直接决定了系统的响应速度，用户在APP上点击“以图搜图”，如果延迟超过500ms，就会明显感觉卡顿；高并发场景（比如电商大促每秒数千次检索），QPS必须满足业务峰值需求。

不同模型的延迟差异很大：SigLIP 2处理一张384px图片的延迟约10_{20ms，适合低延迟场景；ColQwen2因为要生成几百个向量，延迟约100}200ms，更适合非实时场景（比如夜间批量处理文档）；Jina v4支持双模式，Dense向量模式延迟约30_{50ms，Multi-Vector模式延迟约80}120ms，可灵活切换。

（2）显存占用（VRAM Usage）

显存占用指的是模型权重加载到GPU后占用的显存大小，单位是GB。这直接决定了部署成本，显存占用小的模型，可以用更便宜的GPU（比如T4），甚至在边缘设备（手机、嵌入式设备）上运行；显存占用大的模型，可能需要A100、H100等高端GPU，单卡成本相差10倍以上。

主流模型的显存占用（FP16精度）：SigLIP 2约1.5~2GB，Nomic-Embed-Vision v1.5约1GB，ColQwen2约3~4GB，Jina v4约6_{8GB。如果是批量推理，还需要预留部分显存处理输入数据，比如处理4K分辨率图片时，显存占用会比384px图片高出2}3倍。

（3）峰值内存（Peak Memory）

峰值内存是模型处理数据时的最大显存占用，这是很多团队容易忽略的坑。比如处理高分辨率图片（4K、8K截图）或长文档（几百页PDF）时，模型在切片、编码过程中的峰值内存可能会比平时高出50%~100%，导致OOM（内存溢出）崩溃。

选型时，必须测试目标场景的峰值内存，比如用100张4K分辨率的PDF截图做批量推理，看模型是否会OOM。解决方案通常是控制Batch Size（批量大小），或者使用动态Batch技术，根据输入数据大小自动调整批量。

（4）存储成本

存储成本指的是向量数据库的存储开销，与向量维度、向量数量直接相关。向量维度越高、数量越多，存储成本越高，比如100万条2048维的浮点向量（FP32），存储成本约8GB；如果是ColQwen2生成的100万条1024个768维向量，存储成本会高达600GB以上，一年的存储费用可能超过10万元。

2025年的主流解决方案是“MRL+量化”：MRL让向量可以无损截断到低维度，比如Jina v4的2048维向量截断到256维，存储成本降低8倍；量化技术（比如Binary Quantization、INT8量化）可以将浮点向量转换成二进制或8位整数向量，存储成本再降低4~32倍，且精度损失极小。

四、主流模型深度解析：2025年必看的4大核心模型

2025年的多模态Embedding市场，已经形成了“通用全能型、文档专项型、效率优先型”三大阵营。以下4个模型是各阵营的代表，覆盖了绝大多数业务场景，选型时可直接对号入座。

1. 全能王者：Jina Embeddings v4

Jina Embeddings v4是基于Qwen2.5-VL-3B-Instruct的统一多模态模型，堪称2025年的“六边形战士”，也是目前综合能力最强的多模态Embedding模型。

核心特性

双模式输出：支持Dense Vector（2048维）和ColBERT Multi-Vector（128~256个向量）两种模式。Dense模式适合快速检索，QPS高、延迟低；Multi-Vector模式适合精细重排，精度接近ColQwen2。
完美支持MRL：Dense向量可以无损截断到128维、256维、512维，存储成本降低2_{16倍，性能损失仅1%}2%。比如截断到256维后，存储成本只有原来的1/8，而Recall@10仅下降1.5%。
中文能力拉满：继承了Qwen2.5的中文理解基因，能精准处理中文复杂句式、专业术语（比如金融研报中的“归母净利润”“市盈率”，医疗文档中的“病灶位置”“病理类型”）。
多模态兼容：不仅支持图文检索，还能处理PDF、PPT、Excel截图、UI界面、短视频关键帧等多种类型的视觉内容，适配场景极广。

适用场景

几乎所有多模态检索场景，尤其是需要兼顾“速度、精度、中文能力”的复杂场景：
企业级RAG系统（同时处理文本、文档截图、表格数据）；
中文电商平台（图文商品检索、买家秀匹配）；
内容管理平台（图片、视频、文本混合检索）；
智能客服（处理用户发送的截图+文字咨询，检索相关解决方案）。

2. 文档/OCR杀手：ColQwen2（v1.0）

ColQwen2是基于Qwen2-VL-2B的纯Late Interaction模型，专为视觉文档检索而生，其核心竞争力是“彻底抛弃OCR，直接读懂文档”。

核心特性

无OCR精准检索：无需将PDF、表格、公式转成文本，直接对图片进行编码，通过MaxSim操作匹配文本查询。在复杂表格、公式、手写笔记的检索场景中，准确率比“OCR+文本检索”方案高出20%~30%。
细粒度文档理解：能识别文档中的排版结构（比如标题、段落、表格位置）、数据关联（比如表格中“行名+列名+数值”的对应关系）、公式符号（比如积分、矩阵、化学方程式）。
支持长文档处理：能处理单页5000+像素的高分辨率文档截图，支持批量处理多页PDF，生成的Multi-Vector可以保留页面内的空间位置信息。

优缺点

优点：文档检索精度极高，无需依赖OCR，避免了转换误差；
缺点：存储成本高（单页文档生成1024个768维向量），延迟较高（约150ms/页），仅支持文档类场景，通用性较弱。

3. 效率与纯视觉标杆：SigLIP 2（Google）

SigLIP 2是Google DeepMind推出的纯视觉编码模型，在2025年依然是“效率与精度平衡”的典范，尤其适合纯视觉检索场景。

核心特性

原生宽高比支持：通过NaFlex机制，无需强制缩放图片，保留原始尺寸的所有细节。比如检索长条形的服装图片、横幅式的广告素材时，精度比传统模型高出10%~15%。
极致推理速度：处理384px图片的延迟仅10_{20ms，QPS可达50}100，支持大规模批量推理（Batch Size可轻松达到1024）。
纯视觉能力强悍：在ImageNet Zero-shot分类、纯图检索（I2I）场景中，是目前开源模型中的SOTA，能区分极细微的视觉差异（比如同一款手机的不同颜色、同一品牌的不同型号产品）。

优缺点

• 优点：速度快、显存占用低（约2GB）、纯视觉精度高，部署成本低；
• 缺点：不支持复杂文档理解，中文文本匹配能力较弱，无法处理“文本+图片”的关联检索。

4. 轻量化首选：Nomic-Embed-Vision v1.5

Nomic-Embed-Vision v1.5是主打“轻量化、易部署”的多模态模型，其核心优势是“小体积+统一潜空间”。

核心特性

模型体积极小：权重仅1GB左右（FP16精度），支持INT8量化后体积降至500MB，可在边缘设备（手机、嵌入式设备）上运行。
统一潜空间：视觉向量和Nomic-Embed-Text的文本向量在同一语义空间，无需额外的对齐训练，适合已经使用Nomic文本模型的团队平滑升级到多模态检索。
平衡的性能：在通用图文检索场景中，MTEB分数接近SigLIP 2，延迟约20~30ms，兼顾速度和精度。

五、选型决策矩阵：直接抄作业的实战指南

选型的核心是“匹配业务场景与模型能力”，而非追求“分数最高”。以下是2025年多模态Embedding的选型决策矩阵，涵盖6大核心业务场景，可直接对照使用：

六、部署避坑指南：3个关键问题的实战解法

选对模型只是第一步，部署过程中的“动态分辨率处理、存储膨胀、Prompt优化”三个问题，直接决定了系统的稳定性和效果。以下是2025年行业验证的实战解法：

1. 动态分辨率的Batch处理：避免显存爆炸

问题：SigLIP 2、Qwen2-VL等模型支持动态分辨率输入，但GPU批量推理时，不同尺寸的图片需要Padding到同一大小，导致显存浪费或爆炸——比如同时处理1张4K图片和99张384px图片，Padding后所有图片都会变成4K尺寸，显存占用飙升10倍以上。

解法1：Patch Packing技术（推荐）
这是2025年主流的变长序列处理方案，原理类似文本的FlashAttention。模型会将不同尺寸的图片切片成固定大小的Patch（比如14x14），然后将这些Patch重新组合成批次，避免整体Padding。比如4K图片切成16个384px的Patch，和其他384px图片的Patch一起组成Batch，显存占用可降低70%~80%。

解法2：按长宽比分桶（Bucketing）
如果没有Patch Packing支持，可采用“分桶”策略：将图片按长宽比分成多个桶（比如1:1、4:3、16:9），每个桶内的图片缩放成该桶的固定分辨率（比如1:1桶缩放成384x384，16:9桶缩放成512x288）。这样既能保证同一Batch内图片尺寸一致，又能减少Padding带来的显存浪费，适合中小规模部署。

2. Late Interaction存储膨胀：量化是关键

问题：ColQwen2每张图片生成128~1024个向量，100万页文档就会生成10亿个向量，按FP32精度计算，存储成本高达300GB以上，向量数据库的查询延迟也会大幅增加。

解法：Binary Quantization（BQ）+ 分层存储
第一步：量化压缩。ColBERT类模型对量化极其鲁棒，使用Binary Quantization将768维的FP32向量转换成1位二进制向量，存储成本降低32倍，精度损失仅3%~5%。比如10亿个向量量化后，存储成本从300GB降至9GB左右。

第二步：分层存储。将向量分成“高频访问层”和“低频访问层”：高频访问的文档（比如近3个月的研报）存储在内存数据库（如Redis），查询延迟<10ms；低频访问的文档（比如1年前的合同）存储在磁盘数据库（如Milvus），查询延迟<100ms，兼顾速度和成本。

3. Prompt Engineering：让Embedding更懂业务

很多团队忽略了一个关键细节：Jina v4、ColQwen2等基于VLM的模型，依然支持Prompt指令优化，在输入图片时加入Task Instruction，能让检索准确率提升5%~10%。

实战Prompt模板（直接套用）：
通用检索：“Instruct: Retrieve images that match the semantic meaning of the query. Query: {用户查询文本}”

文档检索：“Instruct: Retrieve document pages that contain the key information in the query, including tables, formulas and text. Query: {用户查询文本}”

电商检索：“Instruct: Retrieve products with the same appearance, color and function as the query. Query: {用户查询文本}”

医疗检索：“Instruct: Retrieve medical images and documents related to the lesion location and disease type in the query. Query: {用户查询文本}”

核心原则：明确告诉模型“检索目标”（比如是否需要关注表格、是否需要匹配外观），让模型聚焦关键信息，避免无关特征干扰。

七、总结：2025年选型的核心逻辑

2025年的多模态Embedding选型，早已不是“选CLIP还是选其他”的单选题，而是“算力、精度、成本”的平衡题。我们可以用一句话总结核心逻辑：

追求极致精度与复杂文档理解：拥抱Jina Embeddings v4或ColQwen2，利用统一VLM架构的深度理解能力和Late Interaction的细粒度匹配，解决OCR无法覆盖的场景；

追求规模化与高性价比：选择SigLIP 2或Nomic-Embed-Vision v1.5，配合MRL降维和量化技术，在低成本硬件上实现大规模部署；

中文场景优先：Jina Embeddings v4是首选，其对中文语义的理解的精度，目前仍是其他开源模型无法替代的；

边缘部署场景：Nomic-Embed-Vision v1.5的轻量化优势无可替代，INT8量化后可在手机、嵌入式设备上流畅运行。