/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,4 ГБ
Лицензия
Apache 2.0
Архитектура
argus_colqwen35 · dense
Базовая модель
Qwen3.5-VL-4B-Instruct
Библиотека
transformers
Опубликована
3 мая 2026

Argus-Colqwen3.5-4b-v0-bf16

ЭмбеддингиТекст → embedding11 профессий

Argus — дообученная мультимодальная модель для поиска релевантной информации на страницах документов по текстовому запросу.

404скачиваний за 30 дней2лайкавеса обновлены22 авг 2026

Бенчмарки

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

Публичные оценки18

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

  • Vidore3HrRetrieval

    main_score

    Результат

    0,656

    Общий результат 0,6831Общий результат 0,6486Общий результат 0,6479
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,6869

    Общий результат 0,7029Общий результат 0,6935Общий результат 0,6867
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,765

    Общий результат 0,7915Общий результат 0,7629Общий результат 0,7596
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,6177

    Общий результат 0,6909Общий результат 0,6306Общий результат 0,6242
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsHLRetrieval

    main_score

    Результат

    0,7079

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,6487

    Общий результат 0,6606Общий результат 0,6349Общий результат 0,6322
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,5013

    Общий результат 0,5081Общий результат 0,4994Общий результат 0,4907
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,9963

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,63

    Общий результат 0,62Общий результат 0,6175Общий результат 0,6022
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,5311

    Общий результат 0,5823Общий результат 0,547Общий результат 0,5446
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,6778

    Общий результат 0,6449
    MTEB

    Публичная таблицадругая ревизия

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,9544

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,5968

    MTEB

    Публичная таблицадругая ревизия

  • VidoreDocVQARetrieval

    main_score

    Результат

    0,6779

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,975

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,9926

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,529

    Общий результат 0,5143Общий результат 0,5047
    MTEB

    Публичная таблицадругая ревизия

  • VidoreInfoVQARetrieval

    main_score

    Результат

    0,9447

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Argus-Colqwen3.5-4b-v0-bf16 — модель визуального поиска по документам, разработанная группой Data Science Университета Инсбрука. Это дообученная и объединённая с базовой моделью версия Qwen/Qwen3.5-VL-4B-Instruct в формате bfloat16; архитектура Argus использует разреженную смесь экспертов с маршрутизацией, зависящей от визуальных областей страницы и запроса. Модель формирует 1024-мерные векторные представления токенов и рассчитана на страницы с объёмом до 2048 визуальных токенов.

Модель предназначена для извлечения релевантных страниц и фрагментов в системах визуального поиска по документам, включая сценарии вопросов и ответов по PDF и отчётам. В README приведены результаты на ViDoRe: сильные показатели на английских наборах v1 и конкурентные результаты на v2. Версия bf16 занимает около 8,8 ГБ и удобнее для развёртывания на ограниченных по памяти GPU, но при объединении LoRA потеряла небольшую долю точности относительно версии fp32. Модель ориентирована преимущественно на английские документы; ViDoRe v3 для неё не оценивался.

Весовые файлы опубликованы в формате safetensors, лицензия — Apache-2.0. Для запуска README рекомендует Transformers версии 5 и указывает Flash Attention как дополнительную зависимость.

Сценарии применения

  • поиск страниц PDF по вопросу пользователя
  • поиск сведений в отчётах и презентациях
  • извлечение релевантных документов для визуального RAG
  • поиск ответов в англоязычных наборах документов
  • ранжирование страниц по соответствию запросу

Ограничения

Модель преимущественно ориентирована на английский язык. Версия bf16 немного уступает fp32-сборке по метрикам ViDoRe, а на ViDoRe v3 ещё не оценивалась.

Для каких профессий подходит11

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

Argus-Colqwen3.5-4b-v0 · bf16 release

Argus: Region-Aware Query-Conditioned Mixture of Experts for Visual Document Retrieval University of Innsbruck — Data Science group · 2026

DataScience-UIBK/Argus-Colqwen3.5-4b-v0-bf16 is the bfloat16 merged release of Argus-Colqwen3.5-4b. It is the exact same trained network as the fp32 sibling DataScience-UIBK/Argus-Colqwen3.5-4b-v0; only the LoRA-merge dtype differs.

The bf16 release is half the disk size (8.8 GB vs 18 GB), faster to download, and easier to deploy on memory-constrained GPUs — at the cost of ~0.1 pp on ViDoRe V1 and ~0.2 pp on V2 (merge-time precision loss).

DiskV1 avg nDCG@5V2 avg nDCG@5
fp32 sibling (-v0)18 GB0.92240.6404
this release (-v0-bf16)8.8 GB0.92140.6380
Δ vs fp32−9.2 GB−0.0010−0.0024

Use this bf16 release if you want the smallest deployable artefact and can tolerate sub-percent score loss. Use the fp32 sibling if you need leaderboard-grade reproducibility or you're going to merge / quantise further downstream.

TL;DR — leaderboard standing

  • #1 on the ViDoRe v1 leaderboard among 4B-class models (V1 = 0.9214) — beats Nemotron-4B-v2 (0.916), athrael-soju-colqwen3.5-4.5B (0.915), Ops-Colqwen3-4B (0.914).
  • #2 overall on the ViDoRe v1 leaderboard, behind only the 8B Nemotron-vl-8b-v2 (0.927).
  • Competitive on ViDoRe v2 (0.6380 nDCG@5) within the 4B class.
  • 4 B parameters, 1024-d per-token embedding, ≤ 2048 visual tokens / page — fits on a single 12 GB GPU at bf16.

What is novel here

Most ColPali-style retrievers project every visual token through the same dense head, no matter what the query is. Argus replaces that dense head with a sparse mixture in which the gates depend on both the visual token and a pooled query summary, so the same page gets routed differently for different queries:

  1. Region pooling — visual tokens are grouped into 4-token regions before routing.
  2. Query-conditioned latent gating (GateScalars) — router input is region + region_coord_proj(coords) + query_context_proj(pooled_query). The query summary makes routing task-aware: a financial-numbers query routes through a different expert than a layout query, on the same page.
  3. Sparse top-k=2 of 4 latent specialists, fused with an always-on shared dense expert via two learnable gating scalars.
  4. Region-aware load balancing — load balance + KL-uniform + 0.01·router-z² aux losses suppress routing collapse.
  5. 3-stage curriculum — dense baseline (teacher) → MoE balance warmup → joint retrieval with KL distillation.

Router sits at backbone layer −5.

Model details

PropertyValue
Base modelQwen/Qwen3.5-VL-4B-Instruct
Total parameters4.71 B
Per-token embedding dim1024
Max visual tokens / page2048
Max text tokens32 768
Similarity functionMaxSim
MoE specialists4 latent + 1 shared dense
Top-k experts per token2
Region size4
Router placementbackbone layer −5
Weight precision (this release)bfloat16
Adapted fromDataScience-UIBK/Argus-Colqwen3.5-4b-v0 (fp32 merge)
LicenseApache 2.0
Model size on disk~8.8 GB
VRAM @ bf16 inference~9.4 GB

Why two dtypes?

Merging a LoRA into the base requires materialising (α/r)·A·B and adding it to the base weight matrix.

  • In bf16, both the delta cast and the addition lose precision — the gap is small but irreversible.
  • In fp32, both are exact.

We publish both:

  • fp32 preserves trained precision exactly. Larger disk, identical inference behaviour to the fp32 master used during evaluation.
  • bf16 is the dtype most users will load anyway (torch_dtype=torch.bfloat16). Smaller disk, the merge precision loss is baked in.

If your downstream pipeline loads in bf16, the inference-time difference between the two repos is tiny — but the bf16 release saves bandwidth and disk. Use the fp32 sibling if you load in fp32 / fp64 (rare) or you're going to quantise further.

Performance — ViDoRe v1 (English, nDCG@5, 10 tasks)

Real per-task scores, measured with mteb 2.12 on the published bf16 weights.

TasknDCG@5
ArxivQA0.9126
DocVQA0.6779 🏆
InfoVQA0.9447
ShiftProject0.9346
SyntheticDocQA-AI0.9926
SyntheticDocQA-Energy0.9750
SyntheticDocQA-Government0.9779
SyntheticDocQA-Healthcare0.9963 🏆
TabFQuAD0.9544
TatDQA0.8485
Average0.9214

🏆 = best in the 4B class for that task (cross-checked against published numbers from Ops-Colqwen3-4B, TomoroAI-colqwen3-embed-4b, SauerkrautLM-ColQwen3-4b, athrael-soju-colqwen3.5-4.5B).

ViDoRe v1 — 4B-class leaderboard comparison

RankModelParamsdimV1 avg
1Argus-Colqwen3.5-4b-v0-bf16 (this)4.0 B10240.9214
2nvidia/llama-nemotron-colembed-vl-3b-v23.0 Bhidden0.917
3nvidia/nemotron-colembed-vl-4b-v24.0 Bhidden0.916
4athrael-soju/colqwen3.5-4.5B-v34.5 B3200.915
5OpenSearch-AI/Ops-Colqwen3-4B4.0 B25600.914
6nvidia/llama-nemoretriever-colembed-3b-v13.0 B5120.910
7TomoroAI/tomoro-colqwen3-embed-4b4.0 B3200.906
8VAGOsolutions/SauerkrautLM-ColQwen3-4b-v0.14.0 B1280.908

(Only model surpassing Argus-4B on V1 overall is the 8B Nemotron-vl-8b-v2 at 0.927.)

Performance — ViDoRe v2 (English, nDCG@5, 4 tasks)

TasknDCG@5
BioMedicalLectures0.6349
ESGReports-HighLevel0.7079
ESGReports0.6175
EconomicsReports0.5918
Average0.6380

ViDoRe v2 — 4B-class context

ModelV2 avg
Ops-Colqwen3-4B (dim 2560)0.687
TomoroAI/tomoro-colqwen3-embed-4b0.660
Argus-Colqwen3.5-4b-v0-bf160.638

V2 is the area we are still actively improving — Ops's wider 2560-d head pulls ahead on layout-heavy ESG / economics pages. Argus's per-token compression to 1024-d is a 3× storage saving over Ops at the cost of a small V2 gap; the V1 lead more than compensates for retrieval workloads dominated by document QA.

ViDoRe v3

Not yet evaluated for this release.

Storage cost

ModelTokens/pageDimBytes/page (bf16)
Ops-Colqwen3-4B128025606.6 MB
Argus-Colqwen3.5-4b-v0-bf16204810244.2 MB
TomoroAI/tomoro-colqwen3-embed-4b12803200.8 MB
SauerkrautLM-ColQwen3-4b-v0.110241280.3 MB

Installation

pip install "transformers>=5.0.0,<6.0.0"
pip install "mteb>=2.12,<3.0.0"
pip install -U "transformers>=5.0,<6.0"
pip install flash-attn==2.6.3 --no-build-isolation     # optional
rm -rf ~/.cache/huggingface/modules/transformers_modules

Usage

import torch
from PIL import Image
from transformers import AutoModel, AutoProcessor

MODEL_ID = "DataScience-UIBK/Argus-Colqwen3.5-4b-v0-bf16"
DEVICE   = "cuda" if torch.cuda.is_available() else "cpu"

model = AutoModel.from_pretrained(
    MODEL_ID,
    trust_remote_code=True,
    torch_dtype=torch.bfloat16,                  # this release ships in bf16
    attn_implementation="flash_attention_2",
    device_map=DEVICE,
).eval()

processor = AutoProcessor.from_pretrained(
    MODEL_ID,
    trust_remote_code=True,
    max_num_visual_tokens=2048,
)

queries = [
    "What is the company's revenue in 2019?",
    "How does the proposed model compare to baselines?",
]
documents = [
    Image.open("page_a.png").convert("RGB"),
    Image.open("page_b.png").convert("RGB"),
]

q_emb  = model.encode_queries(processor, queries)
d_emb  = model.encode_images(processor, documents)
scores = processor.score(q_emb, d_emb)
print(scores)

Reproduce ViDoRe results with MTEB

import mteb

m  = mteb.get_model("DataScience-UIBK/Argus-Colqwen3.5-4b-v0-bf16")
v1 = mteb.get_benchmark("ViDoRe(v1)").tasks
v2 = mteb.get_benchmark("ViDoRe(v2)").tasks
mteb.MTEB(tasks=v1 + v2).run(m, encode_kwargs={"batch_size": 4})

Training

Same recipe as the fp32 sibling — see its card for full details. Only difference is the merge dtype.

Limitations

  • English-dominant.
  • Merge-time bf16 cast is irreversible — you cannot recover fp32 numbers by upcasting after load.
  • ViDoRe v3 not yet evaluated.
  • ~0.1 pp / ~0.2 pp behind the fp32 sibling on V1 / V2 — use that one if leaderboard parity matters.

License

Apache 2.0, inherited from Qwen3.5-VL-4B-Instruct.

Citation

@article{abdallah2026argus,
  title={Argus-Retriever: Vision-LLM Late-Interaction Retrieval with Region-Aware Query-Conditioned MoE for Visual Document Retrieval},
  author={Abdallah, Abdelrahman and Abdalla, Mahmoud and Ali, Mohammed and Jatowt, Adam},
  journal={arXiv preprint arXiv:2606.04300},
  year={2026}
}

Contact

  • Org: DataScience-UIBK, University of Innsbruck
  • Issues: open one on this repo's Community tab.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
ArgusForRetrieval
Ревизия весов
ba64c6e

0 моделей