/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
17,9 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-7B-Instruct
Библиотека
transformers
Опубликована
10 июн 2025

GME-VARCO-VISION-Embedding

ЭмбеддингиТекст → embedding5 профессий

Мультимодальная модель эмбеддингов NCSOFT для семантического поиска видео, изображений и соответствующего текста по запросам.

117скачиваний за 30 дней12лайковвеса обновлены8 янв 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 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

GME-VARCO-VISION-Embedding — мультимодальная модель эмбеддингов, разработанная NCSOFT/NCAI на основе Qwen2-VL-7B-Instruct с использованием параметров Alibaba-NLP/gme-Qwen2-VL-7B-Instruct для улучшения поиска. Она преобразует текст, изображения и видео в векторы общего семантического пространства, чтобы находить соответствующие материалы по текстовому запросу. Основной сценарий — поиск видео: по сценам, описаниям и вопросам о содержимом. Модель основана на плотной архитектуре Qwen2-VL, содержит 7,1 млрд параметров, использует Transformers и формат safetensors; родной контекст — 32 768 токенов.

В карточке заявлены высокая точность поиска, обобщение на разные сценарии и результаты уровня SOTA zero-shot на MultiVENT2.0 по состоянию на июль 2025 года. Модель можно применять в системах мультимодального поиска и как компонент агента, который находит видео для последующей генерации ответа. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование. Заявленная поддержка языка — английский; в README также упомянуты англоязычная и корейская демонстрации, но это не подтверждает поддержку корейского как языка модели.

Сценарии применения

  • поиск видео по текстовому описанию
  • поиск видео по вопросу о его содержании
  • поиск сцен в видео по запросу
  • поиск изображений по текстовому запросу
  • подбор текстовых описаний к видео или изображениям
  • извлечение релевантных видео для ответа агента

Ограничения

Лицензия CC-BY-NC-4.0 не допускает коммерческое использование. Заявления о качестве основаны на результатах MultiVENT2.0 и сценариях, описанных в карточке; для других данных и языков качество не установлено.

Для каких профессий подходит5

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

About GME-VARCO-VISION-Embedding

GME-VARCO-VISION-Embedding is a multimodal embedding model that computes semantic similarity between text, images, and videos in a high-dimensional embedding space. In particular, the model focuses on video retrieval, which demands greater complexity and contextual understanding compared to image retrieval. It achieves high retrieval accuracy and strong generalization performance across various scenarios, such as scene-based search, description-based search, and question-answering-based search.

Demo Video

Check out our demo videos showcasing our multimodal embedding model in action:

The demo demonstrates how our embedding model works together with an AI agent to search for relevant videos based on user queries and generate responses using the retrieved video content.

Model Architecture and Training Method

GME-VARCO-VISION-Embedding is based on Qwen/Qwen2-VL-7B-Instruct, and uses the parameters of Alibaba-NLP/gme-Qwen2-VL-7B-Instruct to improve the model's general retrieval ability.

1. Fine-tuning (Contrastive Learning) on video preference dataset

To efficiently fine-tune the model, we utilize ShareGPTVideo’s 17𝑘 video preference dataset, which includes prompts, videos, gold answers, and chosen-rejected text pairs. We treat the prompts and videos as queries, and the rejected responses as hard-negatives for the gold answers. . Each query is trained with in-batch negatives as well as one hard negative using the InfoNCE loss. The model is fully fine-tuned for two epochs on 8 A100 GPUs with a batch size of 8, requiring only a few hours for training.

2. Adding Retrieval Vector

To compensate for the insufficiency of training instances and enhance the generalization ability of the fine-tuned model, we compute a retrieval vector 𝜏 by subtracting the weights of the original Qwen/Qwen2-VL-7B-Instruct model from those of Alibaba-NLP/gme-Qwen2-VL-7B-Instruct, a Qwen2-VL based image-text retrieval model. This approach is inspired by Chat Vector, which is a method to equip pre-trained language models with chat capabilities in new languages by adding a vector obtained from the weight difference between a base model and its chat-optimized counterpart.

Performance

Our model achieves state-of-the-art (SOTA) zero-shot performance on the MultiVENT2.0 dataset as of July 2025. See the official leaderboard for detailed results.

Code Examples

GME-VARCO-VISION-Embedding adopts the inference pipeline of Qwen/Qwen2-VL-7B-Instruct.

Image-Text Retrieval

import torch
import requests
from PIL import Image
from transformers import Qwen2VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

model_name = "NCSOFT/GME-VARCO-VISION-Embedding"

model = Qwen2VLForConditionalGeneration.from_pretrained(
    model_name, 
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    device_map="auto",
)

processor = AutoProcessor.from_pretrained(model_name)
tokenizer = processor.tokenizer
device = model.device


qry_msg = [
    {
        "role": "user",
        "content": [
            {"type": "text", "text": "Find a photo of a cat."},
        ],
    },
]

qry_txt = processor.apply_chat_template(
    qry_msg, tokenize=False, add_generation_prompt=True
) + tokenizer.eos_token

qry_input = processor(
            text=[qry_txt],
            padding=True,
            return_tensors="pt",
        ).to(device)  


img_msg = [
    {
        "role": "user",
        "content": [{
            "type": "image",
            "image": "image"
        }]
    }
]

img_txt = processor.apply_chat_template(
    img_msg, tokenize=False, add_generation_prompt=True
) + tokenizer.eos_token


candidate_imgs= [
        # Photo of two cats
        {
            "role": "user",
            "content": [{
                "type": "image",
                "image": "http://images.cocodataset.org/val2017/000000039769.jpg"}]
        },
        # Photo of two dogs
        {
            "role": "user",
            "content": [{
                "type": "image",
                "image": "https://farm1.staticflickr.com/116/290755713_a5de6c1079_z.jpg"}]
        },
        # photo of two people playing baseball
        {
            "role": "user",
            "content": [{
                "type": "image",
                "image": "http://farm3.staticflickr.com/2418/2193688811_d9f5e23bbd_z.jpg"}]
        },
        # Photo of a large crowd in a busy city street
        {
            "role": "user",
            "content": [{
                "type": "image",
                "image":"http://farm7.staticflickr.com/6049/6329686751_997c68fff9_z.jpg"}]
        },
    ]

candidate_images, _ = process_vision_info(candidate_imgs)

image_inputs = processor(
        text=[img_txt] * len(candidate_images),
        images=candidate_images,
        # videos=,
        padding=True,
        return_tensors="pt",
    ).to(device)

with torch.inference_mode():
    qry_emb = model(
        **qry_input, output_hidden_states=True, return_dict=True
    ).hidden_states[-1][:, -1, :]

    img_emb = model(
        **image_inputs, output_hidden_states=True, return_dict=True
    ).hidden_states[-1][:, -1, :]

qry_emb = F.normalize(qry_emb, dim=-1)    
img_emb = F.normalize(img_emb, dim=-1)

score = qry_emb @ img_emb.t()
# tensor([[0.3066, 0.1108, 0.1226, 0.1245]], device='cuda:0', dtype=torch.bfloat16)
# corresponding to the score of photos (cat, dog, baseball, crowd) 

Video Embedding

vid_message = [
        {
            "role": "user",
            "content": [{
                "type": "video",
                "video": video_path,
                "max_pixels": 262144,
                "fps": 2.0,}]
        }
    ]

video_text = processor.apply_chat_template(
            vid_message, tokenize=False, add_generation_prompt=True
        ) + tokenizer.eos_token

image_input, video_input = process_vision_info(vid_message)

video_input = processor(
        text=[video_text],
        images=image_input,
        videos=video_input,
        padding=True,
        return_tensors="pt",
    ).to(device)

with torch.inference_mode():
    video_emb = model(
        **video_input, output_hidden_states=True, return_dict=True
    ).hidden_states[-1][:, -1, :]

video_emb = F.normalize(video_emb, dim=-1)

Citation

@misc{park2026vagentinteractivevideosearch,
      title={V-Agent: An Interactive Video Search System Using Vision-Language Models}, 
      author={SunYoung Park and Jong-Hyeon Lee and Youngjune Kim and Daegyu Sung and Younghyun Yu and Young-rok Cha and Jeongho Ju},
      year={2026},
      eprint={2512.16925},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2512.16925}, 
}

license: cc-by-nc-4.0

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
2a61a26

0 моделей