/ Модель

Характеристики

Контекст
8 192 токена
Лицензия
MIT
Базовая модель
colmodernvbert-base
Библиотека
colpali
Опубликована
23 сен 2025

colmodernvbert

ЭмбеддингиТекст → embedding

Русское описание этой модели ещё готовится. Пока можно заглянуть в карточку модели от автора ниже.

6 784скачиваний за 30 дней41лайквеса обновлены20 авг 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки19

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

  • Vidore3HrRetrieval

    main_score

    Результат

    0,0698

    Общий результат 0,2141
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,3181

    Общий результат 0,3576Общий результат 0,2647
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3TelecomRetrieval

    main_score

    Результат

    0,2233

    Общий результат 0,275Общий результат 0,1938
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval.v2

    main_score

    Результат

    0,1245

    Общий результат 0,5405
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,0701

    Общий результат 0,1404Общий результат 0,118
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PhysicsRetrieval.v2

    main_score

    Результат

    0,2147

    Общий результат 0,3134Общий результат 0,2786
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,2384

    Общий результат 0,5231Общий результат 0,3007Общий результат 0,1858
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval.v2

    main_score

    Результат

    0,579

    Общий результат 0,4392Общий результат 0,3888Общий результат 0,3303
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,0988

    Общий результат 0,2378Общий результат 0,1988
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3NuclearRetrieval.v2

    main_score

    Результат

    0,1979

    Общий результат 0,4797
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3NuclearRetrieval

    main_score

    Результат

    0,1415

    Общий результат 0,2075Общий результат 0,1985Общий результат 0,1956
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,2805

    Общий результат 0,3178Общий результат 0,1939
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3TelecomRetrieval.v2

    main_score

    Результат

    0,3727

    Общий результат 0,4197
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PharmaceuticalsRetrieval.v2

    main_score

    Результат

    0,3049

    Общий результат 0,3794
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval.v2

    main_score

    Результат

    0,7336

    Общий результат 0,4483Общий результат 0,3486
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,2694

    Общий результат 0,2919
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,2318

    Общий результат 0,2803
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval.v2

    main_score

    Результат

    0,3589

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3HrRetrieval.v2

    main_score

    Результат

    0,2279

    MTEB

    Публичная таблицадругая ревизия

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ColModernVBERT

Model

This is the model card for ColModernVBERT, the late-interaction version of ModernVBERT that is fine-tuned for visual document retrieval tasks, our most performant model on this task.

Table of Contents

  1. Overview
  2. Usage
  3. Evaluation
  4. License
  5. Citation

Overview

The ModernVBERT suite is a suite of compact 250M-parameter vision-language encoders, achieving state-of-the-art performance in this size class, matching the performance of models up to 10x larger.

For more information about ModernVBERT, please check the arXiv preprint.

Models

  • ColModernVBERT is the late-interaction version that is fine-tuned for visual document retrieval tasks, our most performant model on this task.
  • BiModernVBERT is the bi-encoder version that is fine-tuned for visual document retrieval tasks.
  • ModernVBERT-embed is the bi-encoder version after modality alignment (using a MLM objective) and contrastive learning, without document specialization.
  • ModernVBERT is the base model after modality alignment (using a MLM objective).

Usage

Sentence Transformers

ColModernVBERT can be loaded as a multi-vector (ColBERT-style late interaction) retriever with Sentence Transformers via the MultiVectorEncoder, exposing the familiar encode_query / encode_document / similarity API.

pip install "sentence-transformers[image]>=6.0.0"
from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder("ModernVBERT/colmodernvbert")

queries = [
    "What is the variable represented on the y-axis of the graph?",
    "Total outlay is maximum in which year?",
]
images = [
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc1.jpg",
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc2.jpg",
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc3.jpg",
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc4.jpg",
]

query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(images)
print(f"Query 0 shape:    {tuple(query_embeddings[0].shape)}")
print(f"Document 0 shape: {tuple(document_embeddings[0].shape)}")
# Query 0 shape:    (26, 128)
# Document 0 shape: (1149, 128)

scores = model.similarity(query_embeddings, document_embeddings)
print(scores)
# tensor([[16.7778, 10.3712, 11.8420,  9.0534],
#         [ 7.3722, 12.0618,  8.1477,  7.9563]])

[!NOTE] sentence_transformers.multi_vector_encoder.interpretability.get_n_patches raises NotImplementedError for this model: like other Idefics3-style split-image processors, each page is split into sub-patch token blocks plus a global patch, so the token grid is not a simple rectangle.

ColPali Engine

🏎️ If your GPU supports it, we recommend using ModernVBERT with Flash Attention 2 to achieve the highest GPU throughput. To do so, install Flash Attention 2 as follows, then use the model as normal:

For now, the branch for using colmdernvbert is not yet merged in the official colpali repo, you need to clone the repo and checkout on the right branch to use it.

pip install colpali-engine

Here is an example of masked token prediction using ModernVBERT:

import torch
from colpali_engine.models import ColModernVBert, ColModernVBertProcessor
from PIL import Image
from huggingface_hub import hf_hub_download

model_id = "ModernVBERT/colmodernvbert"

processor = ColModernVBertProcessor.from_pretrained(model_id)
model = ColModernVBert.from_pretrained(
            model_id,
            torch_dtype=torch.float32, # use torch_dtype=torch.bfloat16 for flash attention
            trust_remote_code=True
)

image = Image.open(hf_hub_download("HuggingFaceTB/SmolVLM", "example_images/rococo.jpg", repo_type="space"))
text = "This is a text"

# Prepare inputs
text_inputs = processor.process_texts([text])
image_inputs = processor.process_images([image])

# Inference
q_embeddings = model(**text_inputs)
corpus_embeddings = model(**image_inputs)

# Get the similarity scores
scores = processor.score(q_embeddings, corpus_embeddings)

print("Similarity scores:", scores)

Evaluation

License

We release the ModernVBERT model architectures, model weights, and training codebase under the MIT license.

Citation

If you use ModernVBERT in your work, please cite:

@misc{teiletche2025modernvbertsmallervisualdocument,
      title={ModernVBERT: Towards Smaller Visual Document Retrievers}, 
      author={Paul Teiletche and Quentin Macé and Max Conti and Antonio Loison and Gautier Viaud and Pierre Colombo and Manuel Faysse},
      year={2025},
      eprint={2510.01149},
      archivePrefix={arXiv},
      primaryClass={cs.IR},
      url={https://arxiv.org/abs/2510.01149}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · colpali

Можно запустить

Подбираем GPU…

Ревизия весов
4c60442

0 моделей