/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-7B-Instruct
Опубликована
3 июл 2025

Ops-MM-embedding-v1-7B

ЭмбеддингиТекст → embedding7 профессий

Мультимодальная модель Alibaba Cloud для кодирования текста, изображений, визуальных документов и видео в эмбеддинги для межмодального поиска.

571скачиваний за 30 дней14лайковвеса обновлены20 ноя 2025

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

Ops-MM-embedding-v1-7B — плотная мультимодальная модель эмбеддингов, разработанная командой Alibaba Cloud OpenSearch-AI и дообученная на базе Qwen2-VL-7B-Instruct. Она кодирует текст, изображения, пары «текст—изображение», визуальные документы и видео в единое пространство эмбеддингов; видео обрабатывается через отдельные кадры как изображения. Модель содержит 7,1 млрд параметров, использует архитектуру Qwen2-VL и поддерживает контекст до 32 768 токенов.

Модель предназначена для межмодального поиска и извлечения информации, включая поиск по визуальным документам и видео. В README заявлены высокие результаты на бенчмарках MMEB-V2, MMEB-Image и ViDoRe-v2, а также многоязычное обобщение. Эти результаты характеризуют оценку на указанных наборах и сами по себе не гарантируют качество для конкретных данных или сценария.

Распространяется в формате Safetensors по лицензии Apache-2.0. README не уточняет точный набор поддерживаемых языков и не приводит детальных рекомендаций по извлечению эмбеддингов или требованиям к вычислительным ресурсам.

Сценарии применения

  • поиск изображений по текстовому запросу
  • поиск текстовых описаний по изображению
  • поиск по содержимому визуальных документов
  • поиск релевантных видео по текстовому запросу
  • извлечение эмбеддингов для мультимодальной поисковой системы

Ограничения

Заявленные высокие результаты относятся к бенчмаркам MMEB-V2, MMEB-Image и ViDoRe-v2 и не гарантируют качество на иных данных. Точный перечень поддерживаемых языков в карточке не приведён.

Для каких профессий подходит7

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

Ops-MM-embedding-v1-7B

Ops-MM-embedding-v1-7B is a dense, large-scale multimodal embedding model developed and open-sourced by the Alibaba Cloud OpenSearch-AI team, fine-tuned from Qwen2-VL.

Key Features

Unified Multimodal Embeddings

  • Encodes text, images, text-image pairs, visual documents, and videos (by treating video frames as multiple image inputs) into a unified embedding space for cross-modal retrieval.

High Performance on MMEB

  • Achieves SOTA results among models of similar scale on MMEB-V2 and MMEB-Image benchmark (until 2025-07-03).

Multilingual Capabilities

  • Ops-MM-embedding-v1-7B achieves SOTA performance among dense models on the ViDoRe-v2 benchmark, demonstrating strong cross-lingual generalization.

Training data

MMEB-train, CC-3M, colpali training set.

Performance

MMEB-V2

ModelModel Size (B)OverallImage-OverallVideo-OverallVisdoc-Overall
seed-1.6-embeddingunknown71.2777.7855.3473.44
Ops-MM-embedding-v1-7B8.2967.6172.7253.7670.34
Ops-MM-embedding-v1-2B2.2163.4469.0347.5666.96
VLM2Vec-V2.0-Qwen2VL-2B2.2158.0264.8534.8565.36
gme-Qwen2-VL-7B-Instruct8.2957.8355.9538.4375.18
gme-Qwen2-VL-2B-Instruct2.2154.0851.8933.6472.71

MMEB-Image

The table below compares performance on MMEB-Image benchmark among models of similar size.

ModelsModel Size(B)Image-OverallI-CLSI-QAI-RETI-VG
Ops-MM-embedding-v1-7B8.2972.7269.6569.5873.0987.15
QQMM-embed8.29772.17570.0769.5271.17587.075
B3_Qwen2_7B8.29727066.574.184.6
UniME(LLaVA-OneVision-7B-LoRA-Res336)8.0370.766.866.670.590.9
LLaVE-7B8.0370.365.765.470.991.9
UNITE-Instruct-7B8.2970.368.365.171.684.8

ViDoRe-v2

ModelAvgESG Restaurant HumanMIT Bio Multi.Econ Macro Multi.ESG Restaurant Synth. Multi.
gme-7B55.6163.3749.4954.2155.38
seed 1.6 embedding56.5763.357.1453.8551.99
Ops-MM-embedding-v1-7B59.5966.2754.3460.9256.82
Ops-MM-embedding-v1-2B53.1858.5752.8747.8953.39

Usage

from ops_mm_embedding_v1 import OpsMMEmbeddingV1, fetch_image


model = OpsMMEmbeddingV1(
    "OpenSearch-AI/Ops-MM-embedding-v1-7B",
    device="cuda",
    attn_implementation="flash_attention_2"
)

t2i_prompt = "Find an image that matches the given text."
texts = [
    "The Tesla Cybertruck is a battery electric pickup truck built by Tesla, Inc. since 2023.",
    "Alibaba office.",
    "Alibaba office.",
]
images = [
    "https://upload.wikimedia.org/wikipedia/commons/e/e9/Tesla_Cybertruck_damaged_window.jpg",
    "https://upload.wikimedia.org/wikipedia/commons/e/e0/TaobaoCity_Alibaba_Xixi_Park.jpg",
    "https://upload.wikimedia.org/wikipedia/commons/thumb/b/b0/Alibaba_Binjiang_Park.jpg/1024px-Alibaba_Binjiang_Park.jpg"
]

images = [fetch_image(image) for image in images]

# Text and image embedding
text_embeddings = model.get_text_embeddings(texts)
image_embeddings = model.get_image_embeddings(images)
print('Text and image embeddings', (text_embeddings @ image_embeddings.T).tolist())

# Fused Embedding
text_with_image_embeddings = model.get_fused_embeddings(texts=texts, images=images, instruction=t2i_prompt)
print('Text and image embeddings', (text_embeddings @ image_embeddings.T).tolist())

# Multi-image embeddings
multi_images = [
    [images[0]],
    [images[1], images[2]],
]
multi_image_embeddings = model.get_image_embeddings(multi_images)
print('Multi-image embeddings', (multi_image_embeddings @ multi_image_embeddings.T).tolist())

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
e9179f6

0 моделей