/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,6 ГБ
Лицензия
Apache 2.0
Архитектура
argus_colqwen35 · dense
Базовая модель
Qwen3.5-VL-9B-Instruct
Библиотека
transformers
Опубликована
4 мая 2026

Argus-Colqwen3.5-9b-v0-bf16

ЭмбеддингиТекст → embedding8 профессий

Модель Argus на базе Qwen3.5-VL создаёт эмбеддинги изображений документов и запросов для визуального поиска по страницам.

349скачиваний за 30 дней2лайкавеса обновлены22 авг 2026

Бенчмарки

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

Публичные оценки16

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

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,504

    Общий результат 0,5155Общий результат 0,5106Общий результат 0,4937
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,6415

    Общий результат 0,7022Общий результат 0,6441Общий результат 0,634
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,6732

    Общий результат 0,6833Общий результат 0,6772Общий результат 0,6595
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,6612

    Общий результат 0,6764Общий результат 0,6541Общий результат 0,6155
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,5027

    Общий результат 0,5119Общий результат 0,507Общий результат 0,5056
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,6856

    Общий результат 0,7088Общий результат 0,7044Общий результат 0,6821
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,5195

    Общий результат 0,5789Общий результат 0,5297Общий результат 0,5289
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,7735

    Общий результат 0,7923Общий результат 0,777Общий результат 0,7685
    MTEB

    Публичная таблицадругая ревизия

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,9724

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,66

    Общий результат 0,6801Общий результат 0,6278
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,6633

    Общий результат 0,6951
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3HrRetrieval

    main_score

    Результат

    0,6569

    Общий результат 0,6511Общий результат 0,6476Общий результат 0,6456
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,9926

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,8567

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,9769

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsHLRetrieval

    main_score

    Результат

    0,7912

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Argus-Colqwen3.5-9b-v0-bf16 — модель извлечения признаков для поиска по визуальным документам, разработанная группой Data Science Университета Инсбрука. Она дообучена на базе Qwen/Qwen3.5-VL-9B-Instruct и опубликована в формате bfloat16 после слияния LoRA-весов; размер модели — 8,82 млрд параметров. Модель преобразует изображения страниц и текстовые запросы в токеновые эмбеддинги для поиска с поздним взаимодействием. Её механизм разреженной смеси экспертов учитывает запрос и область страницы при маршрутизации визуальных токенов.

Модель предназначена для визуального поиска и извлечения релевантных страниц в наборах документов: например, для поиска ответов в научных статьях, отчетах и материалах с диаграммами или сложной разметкой. По README, для страницы используется до 2048 визуальных токенов, размерность эмбеддинга на токен — 1024; авторы сообщают о результатах на английских наборах ViDoRe v1 и v2. Указанная лицензия — Apache-2.0.

Модель ориентирована преимущественно на английский язык. README указывает потребность примерно в 17 ГБ видеопамяти для инференса bf16 и рекомендует одну GPU с объёмом памяти от 24 ГБ. Слияние в bf16 необратимо теряет часть точности относительно fp32-варианта; измеренная разница в результатах ViDoRe мала, но v3 ещё не оценивался.

Сценарии применения

  • поиск релевантных страниц в коллекции документов по текстовому запросу
  • поиск ответов в научных статьях и материалах arXiv
  • поиск информации в отсканированных отчетах и документах с диаграммами
  • извлечение страниц, отвечающих на вопросы по документам
  • построение мультимодального поискового индекса для визуальных документов

Ограничения

Модель преимущественно ориентирована на английский язык и требует около 17 ГБ видеопамяти для инференса bf16; для одной GPU README рекомендует не менее 24 ГБ. Потери точности при слиянии в bf16 необратимы, а результаты на ViDoRe v3 ещё не оценивались.

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

Argus-Colqwen3.5-9b-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-Colqwen3.5-9b-v0-bf16 is the bfloat16 merged release of Argus-Colqwen3.5-9b. It is the exact same trained network as the fp32 sibling DataScience-UIBK/Argus-Colqwen3.5-9b-v0; only the LoRA-merge dtype differs.

The bf16 release is half the disk size (17 GB vs 33 GB), faster to download, and easier to deploy on memory-constrained GPUs — at the cost of ~0.001 pp on V1 and ~0.002 pp on V2 (well within ViDoRe eval noise).

DiskV1 avg nDCG@5V2 avg nDCG@5
fp32 sibling (-v0)33 GB0.92670.6915
this release (-v0-bf16)17 GB0.92590.6897
Δ vs fp32−16 GB−0.0008−0.0018

Use this bf16 release if you want a smaller deployable artefact and can tolerate sub-percent score differences (almost every deployment scenario). Use the fp32 sibling if you need leaderboard-grade reproducibility or you're going to merge / quantise further downstream.

TL;DR — leaderboard standing

  • Co-leads the ViDoRe v1 leaderboard at V1 = 0.9259 — within 0.001 of the 8B Nemotron-vl-8b-v2 (0.927) and ahead of every other public retriever.
  • V2 = 0.6897 — best Argus result on V2, +0.05 over the 4B sibling.
  • 8.8 B parameters, 1024-d per-token embedding, ≤ 2048 visual tokens / page — fits on a single 24 GB GPU at bf16 inference.

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. The 9B joint stage was extended on VDR1.5M + Docmatix (vdr_docmatix_full).

Router sits at backbone layer −5.

Model details

PropertyValue
Base modelQwen/Qwen3.5-VL-9B-Instruct
Total parameters8.82 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-Colqwen3.5-9b-v0 (fp32 merge)
LicenseApache 2.0
Model size on disk~17 GB
VRAM @ bf16 inference~17 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.

For the 9B release the merge cost is ~0.001 V1 / ~0.002 V2 — within the noise floor of a single ViDoRe run. 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. Half the disk, the merge precision loss is baked in but immaterial in practice.

If your downstream pipeline loads in bf16, the bf16 release is the strict win — same scores within rounding, half the disk.

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

Real per-task scores, measured with mteb 2.12 on the published bf16 weights, side-by-side with every Argus sibling.

Task2B fp322B bf164B fp324B bf169B fp329B bf16 (this)
ArxivQA0.90270.90270.90950.91260.92280.9217
DocVQA0.67470.67470.67700.67790.68090.6826
InfoVQA0.94970.94970.94630.94470.94260.9449
ShiftProject0.91330.91330.94700.93460.93650.9298
SyntheticDocQA-AI0.99630.99630.99630.99260.99630.9926
SyntheticDocQA-Energy0.97260.97260.97890.97500.97320.9769
SyntheticDocQA-Government0.97290.97290.97790.97790.98890.9889
SyntheticDocQA-Healthcare0.99260.99260.99630.99630.99630.9926
TabFQuAD0.93360.93360.95330.95440.97500.9724
TatDQA0.84030.84030.84800.84850.85450.8567
Average0.91490.91490.92300.92140.92670.9259

ViDoRe v1 — overall leaderboard comparison

RankModelParamsdimV1 avg
1nvidia/nemotron-vl-8b-v28.0 Bhidden0.927
1Argus-Colqwen3.5-9b-v0 (fp32 sibling)8.8 B10240.9267
3Argus-Colqwen3.5-9b-v0-bf16 (this)8.8 B10240.9259
4Argus-Colqwen3.5-4b-v0 (sibling, fp32)4.0 B10240.9230
5nvidia/llama-nemotron-colembed-vl-3b-v23.0 Bhidden0.917
6nvidia/nemotron-colembed-vl-4b-v24.0 Bhidden0.916
7athrael-soju/colqwen3.5-4.5B-v34.5 B3200.915
8OpenSearch-AI/Ops-Colqwen3-4B4.0 B25600.914

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

Task2B fp322B bf164B fp324B bf169B fp329B bf16 (this)
BioMedicalLectures0.64990.64990.64380.63490.66190.6633
ESGReports-HighLevel0.69360.69360.69910.70790.79050.7912
ESGReports0.59880.59880.62180.61750.67600.6764
EconomicsReports0.51860.51860.59800.59180.63770.6278
Average0.61520.61520.64070.63800.69150.6897

ViDoRe v2 — overall context

ModelV2 avg
Argus-Colqwen3.5-9b-v0 (fp32 sibling)0.6915
Argus-Colqwen3.5-9b-v0-bf16 (this)0.6897
Ops-Colqwen3-4B (dim 2560)0.687
TomoroAI/tomoro-colqwen3-embed-4b0.660
Argus-Colqwen3.5-4b-v0 (sibling, fp32)0.6407

ViDoRe v3

Not yet evaluated for this release.

Storage cost

ModelTokens/pageDimBytes/page (bf16)
Ops-Colqwen3-4B128025606.6 MB
Argus-Colqwen3.5-9b-v0-bf16204810244.2 MB
Argus-Colqwen3.5-4b-v0-bf16204810244.2 MB
TomoroAI/tomoro-colqwen3-embed-4b12803200.8 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-Colqwen3.5-9b-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-Colqwen3.5-9b-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": 2})

Training

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

When to use which Argus variant

Use caseRecommendation
Smallest deployable artefact at the 9B scale9B bf16 (this) — strict winner over 9B fp32 at half the disk
Maximum precision at 9B for downstream merging / quantisation9B fp32
Latency-sensitive retrieval / 24 GB GPU budget4B bf16
Smallest model still in the 0.91+ V1 league2B bf16 (4.6 GB)

Limitations

  • English-dominant.
  • Merge-time bf16 cast is irreversible — you cannot recover fp32 numbers by upcasting after load.
  • ViDoRe v3 not yet evaluated.
  • Needs ~17 GB VRAM at bf16 inference; single-GPU users need ≥ 24 GB.

License

Apache 2.0, inherited from Qwen3.5-VL-9B-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
69de931

0 моделей