/ Модель

Характеристики

Контекст
8 192 токена
Лицензия
MIT
Архитектура
modernvbert · dense
Библиотека
colpali
Опубликована
23 сен 2025

modernvbert-embed

Языковая модельИзображение, текст → embedding

Компактный биэнкодерный vision-language энкодер ModernVBERT для общего кодирования изображений и визуального поиска по документам.

2скачиваний за 30 дней7лайковвеса обновлены31 мар 2026

Бенчмарки

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

Публичные оценки20

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

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,1277

    Общий результат 0,3843Общий результат 0,2188Общий результат 0,1435
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3HrRetrieval.v2

    main_score

    Результат

    0,4217

    Общий результат 0,1983Общий результат 0,0695
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3NuclearRetrieval

    main_score

    Результат

    0,0737

    Общий результат 0,2077Общий результат 0,099Общий результат 0,0567
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3EnergyRetrieval.v2

    main_score

    Результат

    0,1998

    Общий результат 0,2929Общий результат 0,2009
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3TelecomRetrieval.v2

    main_score

    Результат

    0,2668

    Общий результат 0,4776Общий результат 0,2335
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,2025

    Общий результат 0,1999Общий результат 0,116Общий результат 0,0975
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval.v2

    main_score

    Результат

    0,0712

    Общий результат 0,1256Общий результат 0,1029
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PhysicsRetrieval.v2

    main_score

    Результат

    0,1898

    Общий результат 0,2698Общий результат 0,2265Общий результат 0,1666
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,2583

    Общий результат 0,2714Общий результат 0,2483Общий результат 0,2101
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,1158

    Общий результат 0,1182
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PharmaceuticalsRetrieval.v2

    main_score

    Результат

    0,315

    Общий результат 0,4784
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3ComputerScienceRetrieval.v2

    main_score

    Результат

    0,3544

    Общий результат 0,5971
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3TelecomRetrieval

    main_score

    Результат

    0,1702

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3HrRetrieval

    main_score

    Результат

    0,3315

    Общий результат 0,1178Общий результат 0,0539
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,1455

    Общий результат 0,1213
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,0445

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3IndustrialRetrieval.v2

    main_score

    Результат

    0,0738

    Общий результат 0,0611
    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3NuclearRetrieval.v2

    main_score

    Результат

    0,2951

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceEnRetrieval.v2

    main_score

    Результат

    0,1913

    MTEB

    Публичная таблицаревизия совпадает

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,104

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ModernVBERT-embed — компактный биэнкодерный vision-language энкодер из семейства ModernVBERT, разработанный авторами ModernVBERT. Модель содержит 250 млн параметров и предназначена для общего кодирования изображений после выравнивания визуальной и текстовой модальностей и контрастивного обучения; она не специализирована на отдельных задачах. В каталоге Hugging Face модель отнесена к visual-document-retrieval, а README уточняет, что это версия для общего кодирования изображений, в отличие от специализированных вариантов семейства.

Модель подходит для получения представлений изображений и визуального поиска по документам. Репозиторий использует библиотеку ColPali и формат safetensors; заявлена лицензия MIT. Для высокой пропускной способности на GPU README рекомендует Flash Attention 2.

Сценарии применения

  • поиск документов по изображению страницы
  • извлечение представлений изображений документов
  • визуальный поиск по коллекции сканированных страниц

Ограничения

Версия не специализирована на визуальном поиске документов, в отличие от дообученных вариантов ModernVBERT. Для высокой пропускной способности на GPU рекомендуется Flash Attention 2.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ModernVBERT-embed

bg

[!WARNING] 🚨 Migration guide to official transformers modeling

ModernVBERT is part of transformers since v5.3.0!

This becomes the official modeling for the model.

If you have a model based on the initial modeling, you can adapt the weigths to the new format supported by transformers. We provide a conversion script in this repo, you simply need to run:

python convert_model_weights.py \
 /path/to/legacy-modernvbert \
 /path/to/converted-modernvbert \

The converted model:

  • merges the split token embedding tables
  • rewrites model.connector.modality_projection.proj.weight
  • nests model.vision_model... under model.vision_model.vision_model...

Model

This is the model card for ModernVBERT-embed the dense encoder version of ModernVBERT not specialised on any tasks, made for general image encoding tasks.

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

🏎️ 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.

git clone https://github.com/illuin-tech/colpali.git
cd colpali
git checkout vbert
pip install -e .

Here is an example of masked token prediction using ModernVBERT:

import torch
from colpali_engine.models import BiModernVBert, BiModernVBertProcessor
from PIL import Image
from huggingface_hub import hf_hub_download

model_id = "ModernVBERT/modernvbert-embed"

processor = BiModernVBertProcessor.from_pretrained(model_id)
model = BiModernVBert.from_pretrained(
            model_id,
            torch_dtype=torch.float32,
            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

table

ColModernVBERT matches the performance of models nearly 10x larger on visual document benchmarks. Additionally, it provides an interesting inference speed on CPU compared to the models of similar performance.

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

Нельзя запустить

Поиск по документам-картинкам пока не поддерживается.

Класс архитектуры
BiModernVBert
Ревизия весов
da50711

0 моделей