/ 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-NVFP4

ЭмбеддингиТекст → embedding8 профессий

LifetimeMistake/Qwen3-VL-Embedding-2B-NVFP4 — квантованный вариант мультимодальной embedding-модели Qwen/Qwen3-VL-Embedding-2B из семейства Qwen.

551скачиваний 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 предназначена для семантического поиска и retrieval-сценариев, включая обработку текста, изображений, скриншотов, видео и смешанных текстово-визуальных запросов. Заявлена поддержка более 30 языков, контекст до 32 000 токенов и размерность эмбеддингов до 2048 с возможностью использовать меньшие размерности. Для многоязычных задач рекомендуются инструкции на английском языке.

Вариант использует квантование NVIDIA Model Optimizer NVFP4 с размером группы 16; квантизация применяется к квантируемым весам языковой части, а визуальная часть и lm_head оставлены без квантизации. Модель подготовлена для развёртывания через vLLM с backend modelopt_fp4. По локальному сравнению с FP16-версией она показала примерно на 13% меньшее время выполнения, меньшую среднюю задержку и более высокую пропускную способность, при этом качество поиска немного снизилось, особенно на мультимодальных тестах ViDoRe. Поэтому перед эксплуатацией необходима проверка на собственных данных.

Модель распространяется по лицензии Apache-2.0. Для использования требуется vLLM с поддержкой modelopt_fp4 и параметром trust-remote-code; при необходимости шаблон чата можно указать вручную.

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

Qwen3-VL-Embedding-2B-NVFP4

Technical Report Blog GitHub Base Model

Quantized Model Overview

This repository contains an NVFP4 derivative of Qwen/Qwen3-VL-Embedding-2B prepared for direct vLLM deployment through the modelopt_fp4 backend.

What Was Quantized

  • Quantization method: NVIDIA Model Optimizer NVFP4_DEFAULT_CFG
  • Export format: ModelOpt HF checkpoint with hf_quant_config.json
  • Runtime backend: vLLM modelopt_fp4
  • Weight format: NVFP4
  • Group size: 16
  • Quantized modules: text-side quantizable language-model weights under the default ModelOpt NVFP4 recipe
  • Left unquantized: model.visual* and lm_head

Calibration Data

This checkpoint was calibrated on 1000 mixed retrieval samples from the local embedding benchmark workflow.

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: 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 FP16NVFP4Delta
nDCG@100.562220.55008-0.01214
Recall@100.649340.63794-0.01141
MRR@100.788830.77870-0.01013
Benchmark wall time434.853 s377.707 s13.14% faster
Average request latency0.332726 s0.277620 s-0.055106 s
Throughput18.4338 rps21.2228 rps+2.7890 rps

Notes:

  • This was the best speed / size quantized checkpoint we tested.
  • It improved or matched the FP16 baseline on several text-heavy tasks, especially the multilingual MIRACL slices.
  • It regressed noticeably on the ViDoRe image benchmarks, so multimodal retrieval quality should be rechecked on your own workload before deployment.
  • Local validation smoke passed with mean probe cosine 0.9172 against the FP16 checkpoint.

vLLM Usage

HF_TOKEN=hf_xxx \
vllm serve LifetimeMistake/Qwen3-VL-Embedding-2B-NVFP4 \
  --runner pooling \
  --convert embed \
  --trust-remote-code \
  --quantization modelopt_fp4 \
  --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

Модели нужен код из репозитория; запуск откроется после проверки совместимости.

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
90fe7da

0 моделей