对于寻找支持中文的自托管照片管理方案的用户而言，Immich 是目前少数能通过更换模型真正实现中文语义搜索的开源工具。但许多人在 NAS 上完成基础部署后发现，用「海边日落」「孩子笑脸」等中文关键词搜图毫无结果。这并非操作失误，而是 Immich 默认搭载的 CLIP 模型主要基于英文语料训练，对中文文本理解能力极弱。要获得可用的本地化体验，核心在于将模型替换为 xlm 或 siglip2 等多语言版本，并处理好国内网络拉取与硬件性能的平衡。
在 Immich 后台切换中文语义搜索模型
实现中文搜索无需修改代码或重新编译，官方已在管理界面提供了标准化的配置入口。具体操作步骤如下：
- 使用管理员账号登录 Immich Web 端，点击左上角头像进入 Administration（管理后台）。
- 在左侧菜单选择 Settings > Machine Learning Settings > Smart Search。
- 找到 CLIP Model 选项，将默认的英文模型名称修改为支持多语言的模型标识（如 xlm-roberta-base 或 siglip2 系列）。官方文档明确指出，xlm 和 siglip2 模型能够理解任意语言的搜索文本，不受系统语言设置限制。
- 点击保存后，系统不会自动重算旧照片向量。必须返回管理后台的 Jobs 页面，手动执行 Re-index all assets（重建所有资产索引），新的中文模型才会对存量照片生效。
需要注意的是，多语言模型通常比纯英文模型参数更多、体积更大。如果你的 NAS 内存仅有 4GB 或更低，强行加载大模型可能导致服务频繁重启。建议先从小参数量版本试起，确认稳定后再考虑升级；或者接受「搜索响应变慢但能用」的现实，避免追求极致效果而拖垮整机体验。
国内网络环境下的模型离线挂载与加速
Immich 的机器学习容器启动时会从 Hugging Face 等境外源下载模型文件，在国内网络下极易超时失败。解决思路主要有两种：配置镜像代理或离线挂载模型文件。若选择离线部署，需确保模型来源合法合规，并按以下步骤操作：
- 从 Hugging Face 官方仓库或经验证的开源镜像站下载目标模型文件夹（如 xlm-roberta-base），切勿使用来源不明的第三方修改版。
- 在宿主机创建模型存储目录（例如 /opt/immich-models），并将下载的模型文件放入该目录。
- 修改 docker-compose.yml，为 immich-machine-learning 服务添加 Volume 映射与环境变量。在 volumes 部分添加宿主机模型目录到容器 /cache/models 的映射；在 environment 部分设置 TRANSFORMERS_CACHE=/cache/models 指定模型读取路径，并可按需添加 HF_ENDPOINT 指向国内可信镜像源作为兜底。
- 重启容器后，检查日志确认模型加载成功且无权限报错。若采用镜像加速，建议在首次成功拉取后保留本地缓存，防止后续更新时重复消耗带宽。
目前尚无官方认证的国内专用模型源，所谓「cn-clip 增强方案」多为社区维护，长期兼容性与安全性需自行评估。所有模型文件务必通过官方渠道获取，避免引入安全风险。
低配 NAS 的性能边界与远程 ML 部署警示
即使模型和网络问题都解决了，硬件瓶颈仍可能让中文搜索体验大打折扣。Immich 支持将机器学习任务卸载到远程高性能服务器，这对 Intel 相应规格、相应规格 或瑞芯微 相应规格 等常见低功耗 NAS 处理器尤为关键。通过在另一台配备 GPU 的机器上运行 immich-machine-learning 容器，并在主 Immich 实例的 Machine Learning Settings 中配置该远程服务的 URL，即可将繁重的向量化计算转移出去。
但远程部署有明确的安全与性能限制：
- 安全警告：官方明确指出，机器学习容器在传输图片预览时未内置加密或鉴权机制，绝不应将其暴露在公网。该方案仅适用于内网可信环境。
- 硬件加速边界：Immich 支持 CUDA、ROCm、OpenVINO 等多种后端加速，但 ARM NN 目前因模型兼容性问题无法改善搜索延迟。即便在 相应规格 等支持 OpenVINO 的设备上开启加速，中文搜索的响应速度也可能在数秒级别，这是架构决定的物理上限，而非配置错误。
若完成上述配置后中文搜索依然无效，请按以下顺序排查：首先查看机器学习容器日志，确认模型加载无报错；其次验证是否已手动触发全量重建索引；再次尝试更换更通用的中文描述词测试；最后检查硬件资源状态，若内存耗尽或 CPU 持续满载，系统可能静默丢弃索引任务，此时应降低并发数或暂停其他高负载服务。不要轻信网上流传的「一键中文优化脚本」或未经核实的量化模型，所有配置变更都应基于官方文档路径，并以可回滚为前提。
中文 AI 搜索可用不等于好用，需根据硬件与语料预期调整对自托管相册的本地化体验阈值。若愿意投入调试成本并接受一定延迟，Immich 配合正确的多语言模型，确实能在私有化前提下提供可用的中文语义检索能力。关键在于认清边界，不做超出硬件与模型能力的承诺。
资料核查说明：本文的功能、部署方式、适用场景和限制，仅依据 Immich 等官网页面核查整理，共核验 4 条可追溯事实，核查时间为 2026-07-28 03:51。价格、额度、版本和其他易变化信息请以官网当前页面为准；可追溯来源：Searching | Immich、Remote Machine Learning | Immich、Hardware-Accelerated Machine Learning | Immich。