/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
33,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-7B-Instruct
Опубликована
21 дек 2024

gme-Qwen2-VL-7B-Instruct

ЭмбеддингиТекст → embedding8 профессий

Мультимодальная модель Tongyi Lab создаёт эмбеддинги текста и изображений для поиска внутри одной и между разными модальностями.

1 135скачиваний за 30 дней72лайкавеса 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 оценки48

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

  • StackExchangeClusteringP2P

    main_score

    Результат

    0,4752

    MTEB

    Публичная таблицаревизия не подтверждена

  • ThuNewsClusteringP2P

    main_score

    Результат

    0,7869

    MTEB

    Публичная таблицаревизия не подтверждена

  • TwitterSemEval2015

    main_score

    Результат

    0,7226

    MTEB

    Публичная таблицаревизия не подтверждена

  • RedditClusteringP2P

    main_score

    Результат

    0,7119

    MTEB

    Публичная таблицаревизия не подтверждена

  • StackExchangeClustering

    main_score

    Результат

    0,7889

    MTEB

    Публичная таблицаревизия не подтверждена

  • Banking77Classification

    main_score

    Результат

    0,8476

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackEnglishRetrieval

    main_score

    Результат

    0,4802

    MTEB

    Публичная таблицаревизия не подтверждена

  • SummEval

    main_score

    Результат

    0,2947

    MTEB

    Публичная таблицаревизия не подтверждена

  • NQ

    main_score

    Результат

    0,6774

    MTEB

    Публичная таблицаревизия не подтверждена

  • JDReview

    main_score

    Результат

    0,9017

    MTEB

    Публичная таблицаревизия не подтверждена

  • NFCorpus

    main_score

    Результат

    0,384

    MTEB

    Публичная таблицаревизия не подтверждена

  • Cmnli

    main_score

    Результат

    0,7904

    MTEB

    Публичная таблицаревизия не подтверждена

  • StackOverflowDupQuestions

    main_score

    Результат

    0,5775

    MTEB

    Публичная таблицаревизия не подтверждена

  • FEVER

    main_score

    Результат

    0,9427

    MTEB

    Публичная таблицаревизия не подтверждена

  • MassiveScenarioClassification

    main_score

    Результат

    0,8723

    MTEB

    Публичная таблицаревизия не подтверждена

  • HotpotQA

    main_score

    Результат

    0,7921

    MTEB

    Публичная таблицаревизия не подтверждена

  • EcomRetrieval

    main_score

    Результат

    0,7101

    MTEB

    Публичная таблицаревизия не подтверждена

  • PAWSX

    main_score

    Результат

    0,5275

    MTEB

    Публичная таблицаревизия не подтверждена

  • MindSmallReranking

    main_score

    Результат

    0,3398

    MTEB

    Публичная таблицаревизия не подтверждена

  • STS22

    main_score

    Результат

    0,7176

    MTEB

    Публичная таблицаревизия не подтверждена

  • MTOPDomainClassification

    main_score

    Результат

    0,9755

    MTEB

    Публичная таблицаревизия не подтверждена

  • RedditClustering

    main_score

    Результат

    0,7013

    MTEB

    Публичная таблицаревизия не подтверждена

  • IFlyTek

    main_score

    Результат

    0,5452

    MTEB

    Публичная таблицаревизия не подтверждена

  • AmazonReviewsClassification

    main_score

    Результат

    0,6479

    Общий результат 0,551
    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackPhysicsRetrieval

    main_score

    Результат

    0,4707

    MTEB

    Публичная таблицаревизия не подтверждена

  • SciDocsRR

    main_score

    Результат

    0,8898

    MTEB

    Публичная таблицаревизия не подтверждена

  • SprintDuplicateQuestions

    main_score

    Результат

    0,9787

    MTEB

    Публичная таблицаревизия не подтверждена

  • SCIDOCS

    main_score

    Результат

    0,2738

    MTEB

    Публичная таблицаревизия не подтверждена

  • EmotionClassification

    main_score

    Результат

    0,674

    MTEB

    Публичная таблицаревизия не подтверждена

  • SICK-R

    main_score

    Результат

    0,7535

    MTEB

    Публичная таблицаревизия не подтверждена

  • ToxicConversationsClassification

    main_score

    Результат

    0,8656

    MTEB

    Публичная таблицаревизия не подтверждена

  • CMedQAv2

    map · выше — лучше

    Результат

    0,9051

    Общий результат 0,924
    MTEB

    Публичная таблицаревизия не подтверждена

  • T2Retrieval

    main_score

    Результат

    0,8795

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackWebmastersRetrieval

    main_score

    Результат

    0,3972

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackAndroidRetrieval

    main_score

    Результат

    0,4703

    MTEB

    Публичная таблицаревизия не подтверждена

  • DuRetrieval

    main_score

    Результат

    0,8657

    MTEB

    Публичная таблицаревизия не подтверждена

  • AmazonPolarityClassification

    main_score

    Результат

    0,9733

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackGamingRetrieval

    main_score

    Результат

    0,5466

    MTEB

    Публичная таблицаревизия не подтверждена

  • TRECCOVID

    main_score

    Результат

    0,526

    MTEB

    Публичная таблицаревизия не подтверждена

  • ArxivClusteringS2S

    main_score

    Результат

    0,5064

    MTEB

    Публичная таблицаревизия не подтверждена

  • Touche2020

    main_score

    Результат

    0,2326

    MTEB

    Публичная таблицаревизия не подтверждена

  • CMedQAv2-reranking

    main_score

    Результат

    0,9051

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackGisRetrieval

    main_score

    Результат

    0,4052

    MTEB

    Публичная таблицаревизия не подтверждена

  • Waimai

    main_score

    Результат

    0,9113

    MTEB

    Публичная таблицаревизия не подтверждена

  • TweetSentimentExtractionClassification

    main_score

    Результат

    0,778

    MTEB

    Публичная таблицаревизия не подтверждена

  • CLSClusteringP2P

    main_score

    Результат

    0,4568

    MTEB

    Публичная таблицаревизия не подтверждена

  • SciFact

    main_score

    Результат

    0,6231

    MTEB

    Публичная таблицаревизия не подтверждена

  • CQADupstackMathematicaRetrieval

    main_score

    Результат

    0,3398

    MTEB

    Публичная таблицаревизия не подтверждена

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GME-Qwen2-VL-7B — мультимодальная модель эмбеддингов Tongyi Lab, подразделения Alibaba Group, дообученная на основе Qwen2-VL-7B-Instruct. Она преобразует текст, одно изображение или пару «изображение и текст» в векторные представления для поиска по тексту и изображениям, включая поиск между модальностями и визуальный поиск по скриншотам документов. Модель использует архитектуру Qwen2-VL, содержит 7,1 млрд параметров по метаданным, поддерживает контекст до 32 768 токенов и динамическое разрешение изображений; размер вектора — 3584.

В README сообщается о высоких результатах на бенчмарках UMRB и MTEB, в том числе для задач мультимодального поиска и поиска по сложным документам, например научным статьям. Модель обучалась только на английских данных, поэтому качество мультимодальных эмбеддингов для других языков не гарантируется. В текущей версии поддерживается одно изображение на вход; число визуальных токенов ограничено 1024. Лицензия — Apache-2.0; при распространении модели, производных работ или продуктов с её использованием необходимо заметно указывать «Built with GME», а имена распространяемых моделей, созданных с использованием её выходов, должны начинаться с «GME».

Сценарии применения

  • поиск изображений по текстовому запросу
  • поиск текстовых фрагментов по изображению
  • поиск похожих изображений
  • поиск по скриншотам научных статей и других документов
  • подбор релевантных материалов для мультимодальной RAG-системы

Ограничения

Модель обучалась только на английских данных, поэтому мультимодальное качество для других языков не гарантируется. Принимает одно изображение за раз, а число визуальных токенов ограничено 1024.

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-7B

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-2B2.21B32768153665.2768.4164.45
gme-Qwen2-VL-7B8.29B32768358467.4871.3667.44

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-7B-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 [[0.279296875, 0.0002658367156982422], [0.06427001953125, 0.304443359375]]

# 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 [[0.32861328125, 0.026336669921875], [0.09466552734375, 0.3134765625]]

# 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, 0.0308685302734375], [0.0308685302734375, 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-7B-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 [[0.27880859375, 0.0005745887756347656], [0.06500244140625, 0.306640625]]

# 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 [[0.328369140625, 0.0269927978515625], [0.09521484375, 0.316162109375]]

# 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, 0.0311737060546875], [0.0311737060546875, 1.0009765625]]

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-7B-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
e54cb53

0 моделей