Sentence Transformers в шестой версии получил четвёртый тип модели — MultiVectorEncoder. Принцип позднего взаимодействия, знакомый по ColBERT от Stanford-NLP. Суть: раньше текст сжимался в один вектор. Теперь каждый токен получает свой вектор, а релевантность считается через MaxSim. Это позволяет ловить более точные совпадения на уровне отдельных слов. Что это значит на практике: можно искать по скриншотам и PDF-ках текстовым запросом напрямую — без OCR. Картинка страницы заходит как есть, а не превращается сначала в текст. Из минусов — индекс раздувается. Метрик пока нет, так что насколько всё это быстро и точно — открытый вопрос.