/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-Embedding-2B
Библиотека
transformers
Опубликована
31 мар 2026

Qwen3-VL-Embedding-2B-AWQ-4bit

ЭмбеддингиТекст → embedding9 профессий

LifetimeMistake/Qwen3-VL-Embedding-2B-AWQ-4bit — квантизированный вариант мультимодальной модели эмбеддингов Qwen3-VL-Embedding-2B, разработанной командой Qwen.

3 769скачиваний за 30 дней2лайкавеса обновлены31 мар 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

Модель преобразует векторы представления текстов, изображений, скриншотов, видео и смешанных текстово-визуальных запросов и предназначена для семантического поиска, retrieval-задач и построения мультимодальных систем поиска и сопоставления.

Модель имеет размер 2B параметров в базовой версии, поддерживает более 30 языков, контекст до 32 тысяч токенов и размерность эмбеддингов до 2048 с возможностью использовать меньшие размерности. Применена 4-битная AWQ-квантизация весов текстовых Linear-слоёв с форматом compressed-tensors и размером группы 128; визуальные модули и lm_head оставлены без квантизации. Предусмотрено развёртывание через vLLM с backend compressed-tensors. Для мультиязычных retrieval-задач рекомендуются инструкции на английском языке.

По сравнению с исходной FP16-моделью вариант AWQ показал небольшое снижение nDCG@10 и Recall@10, но рост MRR@10; в описанном тестировании он лучше сохранил качество мультимодального поиска, чем альтернативный NVFP4-вариант. При этом заметного ускорения работы относительно FP16 не получено, а квантизация выполнялась по текстовой части с использованием преимущественно текстовых калибровочных данных, что может ограничивать переносимость результатов на отдельные визуальные сценарии. Модель распространяется по лицензии Apache-2.0.

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

Qwen3-VL-Embedding-2B-AWQ-4bit

Technical Report Blog GitHub Base Model

Quantized Model Overview

This repository contains a 4-bit AWQ derivative of Qwen/Qwen3-VL-Embedding-2B prepared for direct vLLM deployment through the compressed-tensors backend.

What Was Quantized

  • Quantization method: llm-compressor AWQ (W4A16_ASYM)
  • Export format: compressed-tensors
  • Runtime backend: vLLM compressed-tensors
  • Weight format: 4-bit grouped asymmetric integer weights
  • Group size: 128
  • Calibration pipeline: layer_sequential
  • Quantized modules: text-side Linear layers in the Qwen3-VL decoder
  • Left unquantized: all model.visual* modules and lm_head

Calibration Data

This checkpoint was built from the same 1000-sample mixed retrieval manifest as the FP16 and NVFP4 workflow, but the final AWQ pass used 876 text-only samples and skipped 124 image-bearing rows because the vision stack remained excluded from quantization.

Calibration sources:

  • Polish text retrieval: mteb/MSMARCO-PL, mteb/NQ-PL, mteb/FiQA-PL
  • Multilingual text retrieval: MIRACL hard-negative slices for en, de, es, fr, ja
  • Multimodal retrieval in the master manifest: vidore/colpali_train_set and lmms-lab/flickr30k
  • Hard-negative augmentation: MIRACL-derived negatives

Local Benchmark Setup

The numbers below are from local full benchmark runs using the same harness for stock FP16 and quantized checkpoints.

Benchmark tasks:

  • mteb/MSMARCO-PL
  • mteb/NQ-PL
  • MIRACL hard-negative slices: en, de, es, fr, ja
  • vidore/vidore_v3_industrial
  • vidore/vidore_v3_computer_science

Metrics:

  • nDCG@10
  • Recall@10
  • MRR@10

Baseline Comparison

Compared with the stock FP16 Qwen/Qwen3-VL-Embedding-2B checkpoint on the local full benchmark:

MetricStock FP16AWQ 4-bitDelta
nDCG@100.562220.54474-0.01748
Recall@100.649340.63544-0.01390
MRR@100.788830.80040+0.01157
Benchmark wall time434.853 s435.140 s0.07% slower
Average request latency0.332726 s0.333469 s+0.000743 s
Throughput18.4338 rps18.4217 rps-0.0121 rps

Notes:

  • This was the better multimodal quantized checkpoint of the two we tested.
  • It preserved the ViDoRe image benchmarks substantially better than NVFP4 and improved vidore_v3_computer_science over the FP16 baseline.
  • It did not produce a meaningful runtime speedup versus the FP16 checkpoint in this harness.
  • The AWQ export is larger than the NVFP4 export and took much longer to build.

vLLM Usage

HF_TOKEN=hf_xxx \
vllm serve LifetimeMistake/Qwen3-VL-Embedding-2B-AWQ-4bit \
  --runner pooling \
  --convert embed \
  --trust-remote-code \
  --quantization compressed-tensors \
  --limit-mm-per-prompt '{"image":1}'

If your vLLM build does not automatically pick up the bundled chat_template.jinja, download the repo locally and pass --chat-template /path/to/chat_template.jinja.

Base Model Introduction

This model is a quantized derivative of Qwen/Qwen3-VL-Embedding-2B, the 2B member of Qwen’s multimodal embedding series.

Upstream model highlights:

  • Multimodal inputs: text, images, screenshots, video, and mixed text+vision inputs
  • 30+ language support
  • 32k context length
  • Output dimension up to 2048, with support for smaller embedding dimensions
  • Instruction-aware retrieval behavior, with English instructions recommended even for multilingual tasks

For the full base model card, broader benchmark tables, and upstream usage examples, see:

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
c6c8b89

0 моделей