是否可以直接创建图像嵌入（无需额外的文本）并将它们存储在数据库中？目的是通过前端的文本输入，使用相似性搜索来查找图像的内容。这是可行的吗？

理想情况下，我不想使用任何OCR技术，而是直接嵌入图像。

回答：

你有研究过多模态嵌入模型吗？

一个商业选项是亚马逊的Titan多模态嵌入G1模型。另一个是Coheres Embed，它也是多模态的。

在Huggingface上也有开源选项 – 例如可以参考这里。