/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
colqwen2.5-base
Опубликована
4 ноя 2025

EvoQwen2.5-VL-Retriever-3B-v1

Языковая модельИзображение, текст → embedding12 профессий

Мультимодальная модель ApsaraStackMaaS для поиска по изображениям документов по текстовым запросам с помощью многовекторного сопоставления.

321скачиваний за 30 дней13лайковвеса обновлены9 апр 2026

Бенчмарки

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

Публичные оценки14

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

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,6388

    Общий результат 0,5878Общий результат 0,5875Общий результат 0,5481
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,6399

    Общий результат 0,6375Общий результат 0,6053Общий результат 0,605
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,9763

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,665

    Общий результат 0,6465Общий результат 0,6174Общий результат 0,6163
    MTEB

    Публичная таблицадругая ревизия

  • VidoreShiftProjectRetrieval

    main_score

    Результат

    0,886

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsHLRetrieval

    main_score

    Результат

    0,6711

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAGovernmentReportsRetrieval

    main_score

    Результат

    0,9889

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,82

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,9399

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    1

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,9926

    MTEB

    Публичная таблицадругая ревизия

  • VidoreDocVQARetrieval

    main_score

    Результат

    0,6367

    MTEB

    Публичная таблицадругая ревизия

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,9046

    MTEB

    Публичная таблицадругая ревизия

  • VidoreInfoVQARetrieval

    main_score

    Результат

    0,9222

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

EvoQwen2.5-VL-Retriever-3B-v1 — мультимодальная модель поиска по визуальным документам, разработанная ApsaraStackMaaS. Она основана на Qwen2.5-VL-3B-Instruct и дообучена методом Evo-Retriever; использует плотные многовекторные представления и позднее взаимодействие для сопоставления текстовых запросов с изображениями документов. Модель содержит 3,1 млрд параметров, принимает изображения и текстовые запросы, а на выходе формирует векторы для оценки релевантности. Указанная длина контекста — 128 000 токенов.

Модель предназначена для поиска нужных страниц и сведений в визуально сложных документах, включая запросы на естественном языке к содержимому изображений. В README заявлено преимущество по точности над моделями сопоставимого размера и пригодность для сценариев с ограниченными ресурсами; приведены примеры текстового поиска по изображениям. Для загрузки и обработки в README перечислены Transformers, Torch, Pillow и colpali-engine. Лицензия — Apache-2.0.

Данные карточки указывают английский язык; поддержка других языков не подтверждена. Оценочные таблицы в README опущены, поэтому количественные показатели качества проверить по предоставленным сведениям нельзя.

Сценарии применения

  • поиск страниц документа по вопросу на естественном языке
  • извлечение релевантных страниц из сканов и изображений документов
  • поиск фактов в визуальных отчётах и таблицах
  • ранжирование изображений документов по релевантности текстовому запросу

Ограничения

В предоставленной карточке не приведены численные результаты бенчмарков, а подтверждён только английский язык. Для применения нужны Transformers, Torch, Pillow и colpali-engine.

Для каких профессий подходит12

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

Model Card for Model ID

EvoQwen2.5-VL-Retriever-3B-v1 is a high-performance multimodal retrieval model built upon the Qwen2.5-VL-3B-Instruct backbone and employing multi-vector late-interaction. The model is fine-tuned by using an innovative evolutionary training framework (Evo-Retriever), enabling accurate retrieval of complex visual documents.

Version Specificity

• Base Model: ApsaraStackMaaS/EvoQwen2.5-VL-Retriever-3B-v1

• Parameter Size: 3 billion (3B)

• Features: As a smaller-weight model in this series, this model outperforms other models of similar size on evaluation benchmarks, delivering higher retrieval accuracy in resource-constrained scenarios.

Performance

Usage

Make sure that you have installed Transformers, Torch, Pillow, and colpali-engine.

from colpali_engine.models import ColQwen2_5, ColQwen2_5_Processor

model_name = "ApsaraStackMaaS/EvoQwen2.5-VL-Retriever-3B-v1"

model = ColQwen2_5.from_pretrained( model_name, torch_dtype=torch.bfloat16, device_map="cuda:0", # or "mps" if on Apple Silicon attn_implementation="flash_attention_2" if is_flash_attn_2_available() else None, ).eval()

processor = ColQwen2_5_Processor.from_pretrained(model_name)

scores = processor.score_multi_vector(query_embeddings, image_embeddings) print(scores)

Parameters

All models are fine-tuned by using the Evo-Retriever paradigm with a two-stage training schedule (one epoch per stage). Unless otherwise noted, parameter-efficient fine-tuning is achieved through low-rank adapters (LoRA) with a rank of 32 for both 3B and 7B models. Training is performed in bfloat16 precision with the paged_adamw_8bit optimizer on an 8-GPU H20 server, employing a data-parallel strategy, a learning rate of 2e-5, cosine decay, 2% warm-up steps, and a batch size of 32.

Citation

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Поиск по документам-картинкам пока не поддерживается.

Класс архитектуры
ColQwen2_5
Ревизия весов
d640e2b

0 моделей