/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8,9 ГБ
Лицензия
Apache 2.0
Архитектура
ops_colqwen3 · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
23 янв 2026

Ops-Colqwen3-4B

Изображение и текст → текст9 профессий

Мультиязычная модель многовекторных встраиваний для поиска текстовых запросов по страницам PDF и другим визуальным документам.

5 654скачиваний за 30 дней11лайковвеса обновлены26 янв 2026

Бенчмарки

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

Публичные оценки18

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

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,6715

    Общий результат 0,6483
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,9726

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,672

    Общий результат 0,6871Общий результат 0,6675Общий результат 0,6465
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3TelecomRetrieval

    main_score

    Результат

    0,6811

    Общий результат 0,717Общий результат 0,698Общий результат 0,6814
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,5463

    Общий результат 0,5836Общий результат 0,5257
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,6693

    Общий результат 0,6845Общий результат 0,6562
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,4905

    Общий результат 0,5013Общий результат 0,4944Общий результат 0,4915
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3HrRetrieval

    main_score

    Результат

    0,6087

    Общий результат 0,6147Общий результат 0,6048
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,7924

    Общий результат 0,7792Общий результат 0,7645
    MTEB

    Публичная таблицадругая ревизия

  • VidoreShiftProjectRetrieval

    main_score

    Результат

    0,9084

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,481

    Общий результат 0,5021Общий результат 0,4888Общий результат 0,4882
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,6343

    Общий результат 0,6594Общий результат 0,6514Общий результат 0,6348
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,6795

    Общий результат 0,6591Общий результат 0,6566
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,6409

    Общий результат 0,6774Общий результат 0,6407
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsHLRetrieval

    main_score

    Результат

    0,7861

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,9355

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3NuclearRetrieval

    main_score

    Результат

    0,519

    Общий результат 0,5249Общий результат 0,5146
    MTEB

    Публичная таблицадругая ревизия

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,9178

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Ops-Colqwen3-4B — мультимодальная модель встраиваний в стиле ColPali, разработанная командой Alibaba Cloud OpenSearch-AI на основе Qwen3-VL-4B-Instruct и дообученная для поиска по визуальным документам. Она кодирует текстовые запросы и страницы документов, включая изображения и PDF, в согласованное пространство многовекторных представлений для семантического поиска и ранжирования по сходству с использованием MaxSim.

Модель содержит 4 млрд параметров, поддерживает контекст до 32 000 токенов, до 1 280 визуальных токенов на страницу и более 30 языков. Размерность векторов настраивается до 2 560; короткие префиксы размерностью 128 или 320 подходят для сценариев с ограничениями по памяти и задержке. В README сообщаются высокие результаты на бенчмарках Vidore v1–v3, однако они не гарантируют аналогичное качество на других данных.

Модель предназначена для мультиязычного поиска по PDF и другим визуальным документам, например, в системах поиска по документам и RAG. Лицензия — Apache-2.0. Для работы README приводит зависимости Pillow, Transformers версии 4.57.0 или новее, qwen-vl-utils и PyTorch 2.8.0.

Сценарии применения

  • поиск страниц PDF по текстовому запросу
  • поиск по изображениям документов и скан-копиям
  • построение мультиязычного поиска по визуальным документам
  • извлечение релевантных страниц для RAG-системы
  • ранжирование страниц документов по соответствию запросу

Ограничения

Показатели качества приведены для бенчмарков Vidore и могут не переноситься на другие наборы документов и запросов. Работа с моделью требует мультимодального стека Transformers, PyTorch и связанных библиотек.

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

OpenSearch-AI/Ops-Colqwen3-4B

Ops-Colqwen3-4B is a ColPali-style multimodal embedding model based on the Qwen3-VL-4B-Instruct architecture, developed and open-sourced by the Alibaba Cloud OpenSearch-AI team. It maps text queries and visual documents such as images and PDF pages into a unified, aligned multi-vector embedding space, enabling highly effective retrieval of visual documents.

The model is trained using a multi-stage strategy that combines large-scale text-based retrieval datasets with diverse visual document data. This hybrid training approach significantly enhances its capability to handle complex document understanding and retrieval tasks. On the Vidore v1–v3 benchmarks, Ops-Colqwen3-4B achieves state-of-the-art results among models of comparable size.

Key Features

  • Model size: 4 billion parameters
  • Multimodal alignment: Enables fine-grained semantic alignment between text and images or PDF pages
  • Multi-vector embeddings: Following the ColPali design, each input generates multiple context-aware embedding vectors; similarity is computed using MaxSim, enabling high-precision matching
  • Scalable embedding dimensions: Supports embedding dimensions up to 2,560 during inference via an extended projection head, enabling higher retrieval accuracy through more expressive representations. Lower-dimensional prefixes (e.g., the first 128 or 320 dimensions) remain highly effective for lightweight applications.
  • Multilingual support: Covers over 30 languages
  • Context length: Supports up to 32,000 tokens
  • Visual token capacity: Handles up to 1,280 visual tokens per page input.

Usage

Requirements

pillow
transformers>=4.57.0
qwen-vl-utils>=0.0.14
torch==2.8.0

Basic Usage

import torch
from PIL import Image
from scripts.ops_colqwen3_embedder import OpsColQwen3Embedder

images = [Image.new("RGB", (32, 32), color="white"), Image.new("RGB", (16, 16), color="black")]
queries = ["Is attention really all you need?", "What is the amount of bananas farmed in Salvador?"]

embedder = OpsColQwen3Embedder(
    model_name="OpenSearch-AI/Ops-Colqwen3-4B",
    dims=2560,
    dtype=torch.float16,
    attn_implementation="flash_attention_2",
)

query_embeddings = embedder.encode_queries(queries)
image_embeddings = embedder.encode_images(images)
print(query_embeddings[0].shape, image_embeddings[0].shape) # (23, 2560) (18, 2560)

scores = embedder.compute_scores(query_embeddings, image_embeddings)

print(f"Scores:\n{scores}")

Model Performance

Vidore v1 + v2 (NDCG@5)

ModelDimVidore v1+v2Vidore v2Vidore v1
Ops-Colqwen3-4B256084.8768.791.4
Ops-Colqwen3-4B128084.7168.291.3
Ops-Colqwen3-4B64084.3967.791.1
Ops-Colqwen3-4B32084.1267.091.0
Ops-Colqwen3-4B12884.0466.990.9
tomoro-colqwen3-embed-8b32083.5265.490.8
EvoQwen2.5-VL-Retriever-7B-v112883.4165.290.7
tomoro-colqwen3-embed-4b32083.1864.790.6
llama-nemoretriever-colembed-3b-v1307283.1063.391.0
SauerkrautLM-ColQwen3-8b-v0.112882.9162.591.1
EvoQwen2.5-VL-Retriever-3B-v112882.7663.090.7
SauerkrautLM-ColQwen3-4b-v0.112881.9759.990.8
jina-embedding-v412881.1758.290.4

Vidore v3 (NDCG@10)

ModelDimPUB AVG
Ops-Colqwen3-4B256061.27
Ops-Colqwen3-4B128061.32
Ops-Colqwen3-4B64061.21
Ops-Colqwen3-4B32060.88
Ops-Colqwen3-4B12860.23
tomoro-colqwen3-embed-4b32060.19
SauerkrautLM-ColQwen3-8b-v0.112858.55
jina-embedding-v412857.54
llama-nemoretriever-colembed-3b-v1307257.07
SauerkrautLM-ColQwen3-4b-v0.112856.03

With only 128 dimensions, Ops-Colqwen3-4B outperforms other 4B-parameter models such as tomoro-colqwen3-embed-4b, making it well-suited for latency- and memory-constrained applications.

Citation

If you use this model in your work, please cite:

@misc{ops_colqwen3_4b,
  author       = {{OpenSearch-AI}},
  title        = {{Ops-Colqwen3: State-of-the-Art Multimodal Embedding Model for Visual Document Retrieval}},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/OpenSearch-AI/Ops-Colqwen3-4B}},
}

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; автор пока не в списке доверенных организаций.

Класс архитектуры
OpsColQwen3Model
Ревизия весов
e9046ac

0 моделей