多模态检索中，图文联合 Embedding 与分离后对齐有什么区别？

图片和文本为什么不用同一个 embedding？

连环追问：那我用文本搜图片怎么搜到？你这样文本索引和图片索引是分开的吧？为什么不能文本图片共用一个 embedding？业内是怎么实现"文本搜图片"的（比如手机相册）？

多模态检索方案（图文联合Embedding vs. 分离对齐）