/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Размер весов
8,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-2B-Instruct
Опубликована
21 дек 2024

gme-Qwen2-VL-2B-Instruct

ЭмбеддингиТекст → embedding8 профессий

Мультимодальная модель Alibaba для создания эмбеддингов текста и изображений и поиска между ними.

7 419скачиваний за 30 дней135лайковвеса обновлены9 июн 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки49

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • CQADupstackWebmastersRetrieval

    main_score

    Результат

    0,3856

    MTEB

    Публичная таблицаревизия не подтверждена

  • CovidRetrieval

    main_score

    Результат

    0,7834

    MTEB

    Публичная таблицаревизия не подтверждена

  • MassiveIntentClassification

    main_score

    Результат

    0,7852

    MTEB

    Публичная таблицаревизия не подтверждена

  • Banking77Classification

    main_score

    Результат

    0,8024

    MTEB

    Публичная таблицаревизия не подтверждена

  • MedrxivClusteringS2S

    main_score

    Результат

    0,3807

    MTEB

    Публичная таблицаревизия не подтверждена

  • TwitterSemEval2015

    main_score

    Результат

    0,6582

    MTEB

    Публичная таблицаревизия не подтверждена

  • FEVER

    main_score

    Результат

    0,926

    MTEB

    Публичная таблицаревизия не подтверждена

  • HotpotQA

    main_score

    Результат

    0,7293

    MTEB

    Публичная таблицаревизия не подтверждена

  • BiorxivClusteringP2P

    main_score

    Результат

    0,4468

    MTEB

    Публичная таблицаревизия не подтверждена

  • CMedQAv2

    mrr · выше — лучше

    Результат

    0,8986

    Общий результат 0,8756
    MTEB

    Публичная таблицаревизия не подтверждена

  • BIOSSES

    main_score

    Результат

    0,8648

    MTEB

    Публичная таблицаревизия не подтверждена

  • CmedqaRetrieval

    main_score

    Результат

    0,4388

    MTEB

    Публичная таблицаревизия не подтверждена

  • TRECCOVID

    main_score

    Результат

    0,5924

    MTEB

    Публичная таблицаревизия не подтверждена

  • CLSClusteringP2P

    main_score

    Результат

    0,4424

    MTEB

    Публичная таблицаревизия не подтверждена

  • MindSmallReranking

    main_score

    Результат

    0,3341

    MTEB

    Публичная таблицаревизия не подтверждена

  • STS14

    main_score

    Результат

    0,7791

    MTEB

    Публичная таблицаревизия не подтверждена

  • STS13

    main_score

    Результат

    0,8448

    MTEB

    Публичная таблицаревизия не подтверждена

  • MedrxivClusteringP2P

    main_score

    Результат

    0,3869

    MTEB

    Публичная таблицаревизия не подтверждена

  • DuRetrieval

    main_score

    Результат

    0,8452

    MTEB

    Публичная таблицаревизия не подтверждена

  • ThuNewsClusteringS2S

    main_score

    Результат

    0,7086

    MTEB

    Публичная таблицаревизия не подтверждена

  • STS16

    main_score

    Результат

    0,8192

    MTEB

    Публичная таблицаревизия не подтверждена

  • RedditClusteringP2P

    main_score

    Результат

    0,6622

    MTEB

    Публичная таблицаревизия не подтверждена

  • ClimateFEVER

    main_score

    Результат

    0,423

    MTEB

    Публичная таблицаревизия не подтверждена

  • MMarcoReranking

    main_score

    Результат

    0,2796

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackProgrammersRetrieval

    main_score

    Результат

    0,3919

    MTEB

    Публичная таблицаревизия не подтверждена

  • SummEval

    main_score

    Результат

    0,308

    MTEB

    Публичная таблицаревизия не подтверждена

  • T2Reranking

    main_score

    Результат

    0,6673

    MTEB

    Публичная таблицаревизия не подтверждена

  • SprintDuplicateQuestions

    main_score

    Результат

    0,9773

    MTEB

    Публичная таблицаревизия не подтверждена

  • ArxivClusteringS2S

    main_score

    Результат

    0,4684

    MTEB

    Публичная таблицаревизия не подтверждена

  • TwentyNewsgroupsClustering

    main_score

    Результат

    0,5435

    MTEB

    Публичная таблицаревизия не подтверждена

  • MSMARCO

    main_score

    Результат

    0,4088

    MTEB

    Публичная таблицаревизия не подтверждена

  • AmazonCounterfactualClassification

    main_score

    Результат

    0,7255

    MTEB

    Публичная таблицаревизия не подтверждена

  • NFCorpus

    main_score

    Результат

    0,372

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackGamingRetrieval

    main_score

    Результат

    0,5178

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackStatsRetrieval

    main_score

    Результат

    0,3444

    MTEB

    Публичная таблицаревизия не подтверждена

  • TweetSentimentExtractionClassification

    main_score

    Результат

    0,7352

    MTEB

    Публичная таблицаревизия не подтверждена

  • PAWSX

    main_score

    Результат

    0,4687

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackWordpressRetrieval

    main_score

    Результат

    0,3086

    MTEB

    Публичная таблицаревизия не подтверждена

  • StackExchangeClustering

    main_score

    Результат

    0,7282

    MTEB

    Публичная таблицаревизия не подтверждена

  • EmotionClassification

    main_score

    Результат

    0,6281

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackEnglishRetrieval

    main_score

    Результат

    0,4433

    MTEB

    Публичная таблицаревизия не подтверждена

  • CMedQAv2-reranking

    main_score

    Результат

    0,8756

    MTEB

    Публичная таблицаревизия не подтверждена

  • QBQTC

    main_score

    Результат

    0,3182

    MTEB

    Публичная таблицаревизия не подтверждена

  • VideoRetrieval

    main_score

    Результат

    0,7678

    MTEB

    Публичная таблицаревизия не подтверждена

  • MultilingualSentiment

    main_score

    Результат

    0,8039

    MTEB

    Публичная таблицаревизия не подтверждена

  • QuoraRetrieval

    main_score

    Результат

    0,8724

    MTEB

    Публичная таблицаревизия не подтверждена

  • DBPedia

    main_score

    Результат

    0,4631

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackGisRetrieval

    main_score

    Результат

    0,3464

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackPhysicsRetrieval

    main_score

    Результат

    0,4213

    MTEB

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GME-Qwen2-VL-2B — мультимодальная модель эмбеддингов, разработанная Tongyi Lab компании Alibaba Group на основе Qwen2-VL-2B-Instruct. Она преобразует текст, одно изображение или пару «изображение и текст» в векторы размерностью 1536 для поиска и сопоставления между текстами и изображениями. Модель поддерживает динамическое разрешение изображений и контекст до 32 768 токенов.

Модель предназначена для текстового и мультимодального поиска, включая поиск изображений по тексту, похожих изображений и документов по содержимому скриншотов. Её можно применять в мультимодальных RAG-системах, например для поиска по научным статьям. В карточке сообщаются результаты оценки на английском и китайском наборах MTEB, однако обучение велось только на английских данных, поэтому качество мультиязычных мультимодальных эмбеддингов не гарантируется.

Модель обрабатывает по одному изображению за раз; число визуальных токенов ограничено 1024. Данные карточки указывают лицензию Apache-2.0, а правила распространения GME дополнительно требуют заметно указывать «Built with GME» для продуктов с моделью и добавлять префикс «GME» к названиям моделей, созданных с использованием её выходов.

Сценарии применения

  • поиск изображений по текстовому запросу
  • поиск похожих изображений
  • семантический поиск по текстовым коллекциям
  • поиск документов по скриншотам страниц и статей
  • подбор текстовых фрагментов для мультимодального RAG

Ограничения

Модель принимает только одно изображение за раз, а число визуальных токенов ограничено 1024. Обучение проводилось на английских данных, поэтому качество мультиязычного мультимодального поиска не гарантируется.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GME-Qwen2-VL-2B

We are excited to present GME-Qwen2VL series of unified multimodal embedding models, which are based on the advanced Qwen2-VL multimodal large language models (MLLMs).

The GME models support three types of input: text, image, and image-text pair, all of which can produce universal vector representations and have powerful retrieval performance.

Key Enhancements of GME Models:

  • Unified Multimodal Representation: GME models can process both single-modal and combined-modal inputs, resulting in a unified vector representation. This enables versatile retrieval scenarios (Any2Any Search), supporting tasks such as text retrieval, image retrieval from text, and image-to-image searches.
  • High Performance: Achieves state-of-the-art (SOTA) results in our universal multimodal retrieval benchmark (UMRB) and demonstrate strong evaluation scores in the Multimodal Textual Evaluation Benchmark (MTEB).
  • Dynamic Image Resolution: Benefiting from Qwen2-VL and our training data, GME models support dynamic resolution image input.
  • Strong Visual Retrieval Performance: Enhanced by the Qwen2-VL model series, our models excel in visual document retrieval tasks that require a nuanced understanding of document screenshots. This capability is particularly beneficial for complex document understanding scenarios, such as multimodal retrieval-augmented generation (RAG) applications focused on academic papers.

Developed by: Tongyi Lab, Alibaba Group

Paper: GME: Improving Universal Multimodal Retrieval by Multimodal LLMs

Model List

ModelsModel SizeMax Seq. LengthDimensionMTEB-enMTEB-zhUMRB
gme-Qwen2-VL-2B2.21B32768153665.2766.9264.45
gme-Qwen2-VL-7B8.29B32768358467.4869.7367.44

Usage

Transformers

The remote code has some issues with transformers>=4.52.0, please downgrade or use sentence_transformers

from transformers import AutoModel
from transformers.utils.versions import require_version


require_version(
    "transformers<4.52.0",
    "The remote code has some issues with transformers>=4.52.0, please downgrade: pip install transformers==4.51.3"
)


t2i_prompt = 'Find an image that matches the given text.'
texts = [
    "The Tesla Cybertruck is a battery electric pickup truck built by Tesla, Inc. since 2023.",
    "Alibaba office.",
]
images = [
    'https://upload.wikimedia.org/wikipedia/commons/e/e9/Tesla_Cybertruck_damaged_window.jpg',
    'https://upload.wikimedia.org/wikipedia/commons/e/e0/TaobaoCity_Alibaba_Xixi_Park.jpg',
]


gme = AutoModel.from_pretrained(
    "Alibaba-NLP/gme-Qwen2-VL-2B-Instruct",
    torch_dtype="float16", device_map='cuda', trust_remote_code=True
)


# Single-modal embedding
e_text = gme.get_text_embeddings(texts=texts)
e_image = gme.get_image_embeddings(images=images)
print('Single-modal', (e_text @ e_image.T).tolist())
## Single-modal [[0.359619140625, 0.0655517578125], [0.04180908203125, 0.374755859375]]

# How to set embedding instruction
e_query = gme.get_text_embeddings(texts=texts, instruction=t2i_prompt)
# If is_query=False, we always use the default instruction.
e_corpus = gme.get_image_embeddings(images=images, is_query=False)
print('Single-modal with instruction', (e_query @ e_corpus.T).tolist())
## Single-modal with instruction [[0.429931640625, 0.11505126953125], [0.049835205078125, 0.409423828125]]

# Fused-modal embedding
e_fused = gme.get_fused_embeddings(texts=texts, images=images)
print('Fused-modal', (e_fused @ e_fused.T).tolist())
## Fused-modal [[1.0, 0.05511474609375], [0.05511474609375, 1.0]]

sentence_transformers

The encode function accept str or dict with key(s) in {'text', 'image', 'prompt'}.

Do not pass prompt as the argument to encode, pass as the input as a dict with a prompt key.

from sentence_transformers import SentenceTransformer


t2i_prompt = 'Find an image that matches the given text.'
texts = [
    "The Tesla Cybertruck is a battery electric pickup truck built by Tesla, Inc. since 2023.",
    "Alibaba office.",
]
images = [
    'https://upload.wikimedia.org/wikipedia/commons/e/e9/Tesla_Cybertruck_damaged_window.jpg',
    'https://upload.wikimedia.org/wikipedia/commons/e/e0/TaobaoCity_Alibaba_Xixi_Park.jpg',
]


gme_st = SentenceTransformer("Alibaba-NLP/gme-Qwen2-VL-2B-Instruct")

# Single-modal embedding
e_text = gme_st.encode(texts, convert_to_tensor=True)
e_image = gme_st.encode([dict(image=i) for i in images], convert_to_tensor=True)
print('Single-modal', (e_text @ e_image.T).tolist())
## Single-modal [[0.356201171875, 0.06536865234375], [0.041717529296875, 0.37890625]]

# How to set embedding instruction
e_query = gme_st.encode([dict(text=t, prompt=t2i_prompt) for t in texts], convert_to_tensor=True)
# If no prompt, we always use the default instruction.
e_corpus = gme_st.encode([dict(image=i) for i in images], convert_to_tensor=True)
print('Single-modal with instruction', (e_query @ e_corpus.T).tolist())
## Single-modal with instruction [[0.425537109375, 0.1158447265625], [0.049835205078125, 0.413818359375]]

# Fused-modal embedding
e_fused = gme_st.encode([dict(text=t, image=i) for t, i in zip(texts, images)], convert_to_tensor=True)
print('Fused-modal', (e_fused @ e_fused.T).tolist())
## Fused-modal [[0.99951171875, 0.0556640625], [0.0556640625, 0.99951171875]]

Evaluation

We validated the performance on our universal multimodal retrieval benchmark (UMRB, see Release UMRB) among others.

Single-modalCross-modalFused-modalAvg.
T→T (16)I→I (1)T→I (4)T→VD (10)I→T (4)T→IT (2)IT→T (5)IT→I (2)IT→IT (3)(47)
VISTA0.2B55.1531.9832.8810.1231.2345.8153.328.9726.2637.32
CLIP-SF0.4B39.7531.4259.0524.0962.9566.4153.3234.955.6543.66
One-Peace4B43.5431.2761.3842.965.5942.7228.296.7323.4142.01
DSE4.2B48.9427.9240.7578.2152.5449.6235.448.3640.1850.04
E5-V8.4B52.4127.3646.5641.2247.9554.1332.923.177.2342.52
GME-Qwen2-VL-2B2.2B55.9329.8657.3687.8461.9376.4764.5837.0266.4764.45
GME-Qwen2-VL-7B8.3B58.1931.8961.3589.9265.8380.9466.1842.5673.6267.44

The MTEB Leaderboard English tab shows the text embeddings performence of our model.

More detailed experimental results can be found in the paper.

Community support

Fine-tuning

GME models can be fine-tuned by SWIFT:

pip install ms-swift -U
# MAX_PIXELS settings to reduce memory usage
# check: https://swift.readthedocs.io/en/latest/BestPractices/Embedding.html
nproc_per_node=8
MAX_PIXELS=1003520 \
USE_HF=1 \
NPROC_PER_NODE=$nproc_per_node \
swift sft \
    --model Alibaba-NLP/gme-Qwen2-VL-2B-Instruct \
    --train_type lora \
    --dataset 'HuggingFaceM4/TextCaps:emb' \
    --torch_dtype bfloat16 \
    --num_train_epochs 1 \
    --per_device_train_batch_size 2 \
    --per_device_eval_batch_size 2 \
    --gradient_accumulation_steps $(expr 64 / $nproc_per_node) \
    --eval_steps 100 \
    --save_steps 100 \
    --eval_strategy steps \
    --save_total_limit 5 \
    --logging_steps 5 \
    --output_dir output \
    --lazy_tokenize true \
    --warmup_ratio 0.05 \
    --learning_rate 5e-6 \
    --deepspeed zero3 \
    --dataloader_num_workers 4 \
    --task_type embedding \
    --loss_type infonce \
    --dataloader_drop_last true

Limitations

  • Single Image Input: In Qwen2-VL, an image could be converted into a very large number of visual tokens. We limit the number of visual tokens to 1024 to obtain a good training efficiency. Due to the lack of relevant data, our models and evaluations retain one single image.
  • English-only Training: Our models are trained on english data only. Although the Qwen2-VL models are multilingual, the multilingual-multimodal embedding performance are not guaranteed.

We will extend to multi-image input, image-text interleaved data as well as multilingual data in the future version.

Redistribution and Use

We encourage and value diverse applications of GME models and continuous enhancements to the models themselves.

  • If you distribute or make GME models (or any derivative works) available, or if you create a product or service (including another AI model) that incorporates them, you must prominently display Built with GME on your website, user interface, blog post, About page, or product documentation.

  • If you utilize GME models or their outputs to develop, train, fine-tune, or improve an AI model that is distributed or made available, you must prefix the name of any such AI model with GME.

Cloud API Services

In addition to the open-source GME series models, GME series models are also available as commercial API services on Alibaba Cloud.

Note that the models behind the commercial APIs are not entirely identical to the open-source models.

Hiring

We have open positions for Research Interns and Full-Time Researchers to join our team at Tongyi Lab. We are seeking passionate individuals with expertise in representation learning, LLM-driven information retrieval, Retrieval-Augmented Generation (RAG), and agent-based systems. Our team is located in the vibrant cities of Beijing and Hangzhou, offering a collaborative and dynamic work environment where you can contribute to cutting-edge advancements in artificial intelligence and machine learning. If you are driven by curiosity and eager to make a meaningful impact through your work, we would love to hear from you. Please submit your resume along with a brief introduction to dingkun.ldk@alibaba-inc.com.

Citation

If you find our paper or models helpful, please consider cite:

@misc{zhang2024gme,
      title={GME: Improving Universal Multimodal Retrieval by Multimodal LLMs}, 
      author={Zhang, Xin and Zhang, Yanzhao and Xie, Wen and Li, Mingxin and Dai, Ziqi and Long, Dingkun and Xie, Pengjun and Zhang, Meishan and Li, Wenjie and Zhang, Min},
      year={2024},
      eprint={2412.16855},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={http://arxiv.org/abs/2412.16855}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
9cfa641

0 моделей