/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
9,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_omni_thinker · dense
Библиотека
sentence-transformers
Опубликована
13 мая 2026

LCO-Embedding-Omni-3B-2605

ЭмбеддингиТекст → embedding9 профессий

Мультимодальная модель LCO-Embedding для создания эмбеддингов текста, изображений, аудио и видео и поиска по смыслу между этими типами данных.

387скачиваний за 30 дней17лайковвеса обновлены3 авг 2026

Бенчмарки

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

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

LCO-Embedding-Omni-3B-2605 — мультимодальная модель эмбеддингов от разработчиков LCO-Embedding, обновлённая в мае 2026 года. Она предназначена для преобразования текста, изображений, аудио и видео, а также их сочетаний в векторные представления для поиска и сравнения по смыслу. Модель построена на архитектуре Qwen2.5-Omni Thinker и распространяется в формате safetensors; для работы авторы предлагают Sentence Transformers и Transformers.

Модель подходит для мультимодального поиска: можно искать текстом по изображениям, аудио или видео и сопоставлять материалы разных типов. В README заявлены улучшения для всех четырёх модальностей по сравнению с предыдущей версией. Репозиторий опубликован под лицензией Apache-2.0. Для обработки изображений, аудио и видео в Sentence Transformers требуются соответствующие мультимодальные дополнения.

Сценарии применения

  • поиск изображений по текстовому запросу
  • поиск аудио по тексту или другим аудиоматериалам
  • поиск видео по текстовому описанию
  • семантический поиск по текстовым документам
  • сопоставление и поиск материалов из нескольких модальностей

Ограничения

Для мультимодальной обработки через Sentence Transformers нужны дополнительные компоненты для изображений, аудио и видео. Численные значения эмбеддингов могут немного меняться в зависимости от типа данных и реализации attention.

Для каких профессий подходит9

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

May 2026 update of LCO-Embedding models

It's been a while since we introduced LCO-Embedding 3B & 7B in Oct 2025. Now we release a small update LCO-Embedding-Omni-3B-2605!

In this version, we make substantial improvements on all 4 modalities (text, image, audio, video).

Main Benchmarks (text, image, audio):

Other Capabilities (code, video)

Checkpoint Overview

ModelRelease Time
LCO-Embedding-Omni-3BOct 2025
LCO-Embedding-Omni-7BOct 2025
LCO-Embedding-Omni-3B-2605May 2026

Usage

Using Sentence Transformers

Install Sentence Transformers with the multimodal extras (for image, audio, and video support):

pip install "sentence_transformers[image,audio,video]" "transformers>=5.6.0"
import torch
from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "LCO-Embedding/LCO-Embedding-Omni-3B-2605",
    model_kwargs={
        "dtype": torch.bfloat16,
        # "attn_implementation": "flash_attention_2",  # recommended, if a flash-attn build exists for your platform
    },
)

The same Summarize the above <modality> in one word: instruction used in the paper is baked into the chat template, so encode() takes plain text, file paths, URLs, or multimodal dicts directly.

Text Retrieval

query = "What is the tallest mountain in the world?"
documents = [
    "Mount Everest is Earth's highest mountain above sea level, located in the Mahalangur Himal sub-range of the Himalayas. Its elevation of 8,848.86 metres was established by a joint Chinese-Nepali survey in 2020.",
    "K2, at 8,611 metres above sea level, is the second-highest mountain on Earth, after Mount Everest. It lies in the Karakoram range on the China-Pakistan border.",
    "Mount Kilimanjaro is a dormant volcano in Tanzania. It is the highest mountain in Africa, with its summit about 5,895 metres above sea level.",
]

query_embedding = model.encode(query)
document_embeddings = model.encode(documents)
print(model.similarity(query_embedding, document_embeddings))
# tensor([[0.5368, 0.5053, 0.4989]])

Image Retrieval

query = "How many input modalities does Qwen2.5-Omni support?"
documents = [
    "https://huggingface.co/Tevatron/OmniEmbed-v0.1/resolve/main/assets/qwen2.5omni_hgf.png",
    "https://huggingface.co/Tevatron/OmniEmbed-v0.1/resolve/main/assets/llama4_hgf.png",
]

query_embedding = model.encode(query)
document_embeddings = model.encode(documents, batch_size=1)
print(model.similarity(query_embedding, document_embeddings))
# tensor([[0.6544, 0.3852]])

Audio Retrieval

query = "A light piano piece"
documents = [
    "https://huggingface.co/Tevatron/OmniEmbed-v0.1/resolve/main/assets/joe_hisaishi_summer.mp3",
    "https://huggingface.co/Tevatron/OmniEmbed-v0.1/resolve/main/assets/jay_chou_superman_cant_fly.mp3",
]

query_embedding = model.encode(query)
document_embeddings = model.encode(documents, batch_size=1)
print(model.similarity(query_embedding, document_embeddings))
# tensor([[0.3649, 0.0662]])

Video Retrieval

# For video on smaller GPUs, cap the processor up front:
model[0].processing_kwargs.update({
    "video": {"max_pixels": 64 * 28 * 28, "do_sample_frames": True, "fps": 1},
})

query = "How to cook Mapo Tofu?"
documents = [
    "https://huggingface.co/Tevatron/OmniEmbed-v0.1/resolve/main/assets/mapo_tofu.mp4",
    "https://huggingface.co/Tevatron/OmniEmbed-v0.1/resolve/main/assets/zhajiang_noodle.mp4",
]

query_embedding = model.encode(query)
document_embeddings = model.encode(documents, batch_size=1)
print(model.similarity(query_embedding, document_embeddings))
# tensor([[0.6408, 0.4967]])

Multimodal Inputs

To embed a document that combines multiple modalities, pass a dict with any combination of "text", "image", "audio", and "video" keys instead of a single path or string:

documents = [
    {
        "text": "A cooking tutorial for Mapo Tofu",
        "video": "https://huggingface.co/Tevatron/OmniEmbed-v0.1/resolve/main/assets/mapo_tofu.mp4",
    },
    {
        "image": "https://huggingface.co/Tevatron/OmniEmbed-v0.1/resolve/main/assets/qwen2.5omni_hgf.png",
        "audio": "https://huggingface.co/Tevatron/OmniEmbed-v0.1/resolve/main/assets/joe_hisaishi_summer.mp3",
    },
]
document_embeddings = model.encode(documents, batch_size=1)
print(document_embeddings.shape)
# (2, 2048)

The expected outputs above were produced in bfloat16 on a CUDA device with the default (sdpa) attention. Exact values shift slightly in the fourth decimal with a different dtype or attention implementation.

Using Transformers

All inference code is the same with our OG models and can seamlessly support the new checkpoint by changing the model name.

Contributors

LCO-Embedding Team members that made this release happen:

Chenghao Xiao, Ruifeng Yuan, Long Li, Fengyu Cai, Yiqi Liu, Yang Wang, Chenghua Lin, Hao Zhang, Hou Pong Chan, Ling Zhang

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

Для архитектуры qwen2_5_omni_thinker нет загрузчика под задачу embedding.

Класс архитектуры
Qwen2_5OmniThinkerForConditionalGeneration
Ревизия весов
5f6b532

0 моделей