/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Лицензия
MIT
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
sentence-transformers
Опубликована
16 мая 2025

BGE-VL-Screenshot

ЭмбеддингиТекст → embedding7 профессий

Мультимодальная модель BAAI для поиска и сопоставления скриншотов с текстовыми и составными запросами.

312скачиваний за 30 дней22лайкавеса обновлены15 апр 2026

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 оценки

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

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

BAAI/BGE-VL-Screenshot — модель семейства UniSE от BAAI для поиска по скриншотам и визуально представленным данным. Она дообучена на базе Qwen2.5-VL-3B-Instruct и использует архитектуру Qwen2.5-VL с 3,1 млрд параметров. Модель совместно представляет содержимое скриншотов, включая текст, изображения, таблицы и диаграммы, и поддерживает поиск, при котором запрос или результат могут охватывать разные модальности.

Модель предназначена для поиска скриншотов по текстовым и составным запросам, а также для сопоставления скриншотов с другими данными. В Sentence Transformers предусмотрены режимы «query» для составных запросов с изображением и текстом и «document» для скриншотов-кандидатов. Контекст — до 128 000 токенов; заявлены языки английский, китайский, арабский, французский и испанский. Метаданные указывают возможности эмбеддингов и интерфейс вызова инструментов; веса доступны в формате safetensors.

В README сообщается о высоких результатах семейства UniSE на бенчмарке MVRB для задач поиска по скриншотам. Это не свидетельствует о качестве на любых иных наборах данных; код оценки и дообучения в плане выпуска отмечен как ещё не опубликованный. Лицензия модели — MIT.

Сценарии применения

  • поиск скриншотов по текстовому запросу
  • поиск скриншотов по запросу с текстом и изображением
  • поиск нужного скриншота среди визуально представленных документов
  • сопоставление скриншотов с текстами, таблицами и диаграммами
  • классификация содержимого скриншотов по открытым категориям

Ограничения

Заявленные результаты относятся к бенчмарку MVRB; качество на других данных не установлено. В README код оценки и дообучения указан как ещё не выпущенный.

Для каких профессий подходит7

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

News

2025-04-06 🚀🚀 MVRB Dataset are released on Huggingface: MVRB

2025-04-02 🚀🚀 VIRA Dataset are released on Huggingface: VIRA

2025-04-01 🚀🚀 UniSE models are released on Huggingface: UniSE-MLMM

2025-02-17 🎉🎉 Release our paper: Any Information Is Just Worth One Single Screenshot: Unifying Search With Visualized Information Retrieval.

Release Plan

  • Paper
  • UniSE models
  • VIRA Dataset
  • MVRB benchmark
  • Evaluation code
  • Fine-tuning code

Overview

In this work, we formally define an emerging IR paradigm called Visualized Information Retrieval, or VisIR, where multimodal information, such as texts, images, tables and charts, is jointly represented by a unified visual format called Screenshots, for various retrieval applications. We further make three key contributions for VisIR. First, we create VIRA (Vis-IR Aggregation), a large-scale dataset comprising a vast collection of screenshots from diverse sources, carefully curated into captioned and questionanswer formats. Second, we develop UniSE (Universal Screenshot Embeddings), a family of retrieval models that enable screenshots to query or be queried across arbitrary data modalities. Finally, we construct MVRB (Massive Visualized IR Benchmark), a comprehensive benchmark covering a variety of task forms and application scenarios. Through extensive evaluations on MVRB, we highlight the deficiency from existing multimodal retrievers and the substantial improvements made by UniSE.

Model Usage

Using Sentence Transformers

Install Sentence Transformers:

pip install "sentence_transformers[image]"
from sentence_transformers import SentenceTransformer

model = SentenceTransformer("BAAI/BGE-VL-Screenshot")

# Queries: composed image + text inputs (prefix text with "Query:")
query_inputs = [
    {"text": "Query:After a 17% drop, what is Nvidia's closing stock price?", "image": "https://huggingface.co/BAAI/BGE-VL-Screenshot/resolve/main/assets/query_1.png"},
    {"text": "Query:I would like to see a detailed and intuitive performance comparison between the two models.", "image": "https://huggingface.co/BAAI/BGE-VL-Screenshot/resolve/main/assets/query_2.png"},
]
query_embeddings = model.encode_query(query_inputs)
print(query_embeddings.shape)
# (2, 2048)

# Candidates: screenshot images
candidate_inputs = [
    "https://huggingface.co/BAAI/BGE-VL-Screenshot/resolve/main/assets/positive_1.jpeg",
    "https://huggingface.co/BAAI/BGE-VL-Screenshot/resolve/main/assets/neg_1.jpeg",
    "https://huggingface.co/BAAI/BGE-VL-Screenshot/resolve/main/assets/positive_2.jpeg",
    "https://huggingface.co/BAAI/BGE-VL-Screenshot/resolve/main/assets/neg_2.jpeg",
]
candidate_embeddings = model.encode_document(candidate_inputs)
print(candidate_embeddings.shape)
# (4, 2048)

similarities = model.similarity(query_embeddings, candidate_embeddings)
print(similarities)
# tensor([[0.5725, 0.3449, 0.1913, 0.1497],
#         [0.1457, 0.0795, 0.4243, 0.4177]])

The model provides two prompts: "query" for composed image+text queries and "document" (default) for screenshot candidates.

Using transformers

Our code works well on transformers==4.51.3, and we recommend using this version.

import torch
from transformers import AutoModel

MODEL_NAME = "BAAI/BGE-VL-Screenshot"
model = AutoModel.from_pretrained(MODEL_NAME, 
                    trust_remote_code=True, 
                    attn_implementation="flash_attention_2", 
                    torch_dtype=torch.bfloat16
                ) # You must set trust_remote_code=True, and we recommend using flash_attention_2 and bfloat16
model.set_processor(MODEL_NAME)

with torch.no_grad():
    device = torch.device("cuda:0")
    model = model.to(device)
    model.eval()

    query_inputs = model.data_process(
        images=["./assets/query_1.png", "./assets/query_2.png"],    
        text=["After a 17% drop, what is Nvidia's closing stock price?", "I would like to see a detailed and intuitive performance comparison between the two models."],
        q_or_c="query",
        task_instruction="Represent the given image with the given query."
    )

    candidate_inputs = model.data_process(
        images=["./assets/positive_1.jpeg", "./assets/neg_1.jpeg",
                "./assets/positive_2.jpeg", "./assets/neg_2.jpeg"],
        q_or_c="candidate"
    )

    query_embeddings = model(**query_inputs)
    candidate_embeddings = model(**candidate_inputs)
    scores = torch.matmul(query_embeddings, candidate_embeddings.T)
    print(scores)
    # Expected output:
    #    [[0.5352, 0.3223, 0.1738, 0.1348],
    #     [0.1592, 0.0757, 0.4375, 0.4180]]

Performance on MVRB

MVRB is a comprehensive benchmark designed for the retrieval task centered on screenshots. It includes four meta tasks: Screenshot Retrieval (SR), Composed Screenshot Retrieval (CSR), Screenshot QA (SQA), and Open-Vocabulary Classification (OVC). We evaluate three main types of retrievers on MVRB: OCR+Text Retrievers, General Multimodal Retrievers, and Screenshot Document Retrievers. Our proposed UniSE-MLLM achieves state-of-the-art (SOTA) performance on this benchmark. image/png

License

Vis-IR is licensed under the MIT License.

Citation

If you find this model useful, please cite:

@article{liu2025any,
  title={Any Information Is Just Worth One Single Screenshot: Unifying Search With Visualized Information Retrieval},
  author={Liu, Ze and Liang, Zhengyang and Zhou, Junjie and Liu, Zheng and Lian, Defu},
  journal={arXiv preprint arXiv:2502.11431},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
2b0f1cd

0 моделей