/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
collfm2 · dense
Базовая модель
LFM2-VL-450M
Библиотека
sauerkrautlm-colpali
Опубликована
11 дек 2025

SauerkrautLM-ColLFM2-450M-v0.1

Изображение и текст → текст8 профессий

Компактная мультиязычная модель VAGO Solutions для визуального поиска по страницам документов с помощью текстовых запросов.

96скачиваний за 30 дней11лайковвеса обновлены27 авг 2026

Бенчмарки

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

Публичные оценки19

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

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,8091

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,5058

    Общий результат 0,58Общий результат 0,505Общий результат 0,5029
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,4509

    Общий результат 0,4869Общий результат 0,4151
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,3244

    Общий результат 0,3572Общий результат 0,3304
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,6722

    Общий результат 0,5721Общий результат 0,5588
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3HrRetrieval

    main_score

    Результат

    0,4325

    Общий результат 0,5477Общий результат 0,4389Общий результат 0,3856
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsHLRetrieval

    main_score

    Результат

    0,5488

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,4779

    Общий результат 0,6008Общий результат 0,4557Общий результат 0,4532
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,3515

    Общий результат 0,394Общий результат 0,3426Общий результат 0,3305
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,2381

    Общий результат 0,4593Общий результат 0,2894Общий результат 0,2794
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAGovernmentReportsRetrieval

    main_score

    Результат

    0,9461

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,5488

    Общий результат 0,513Общий результат 0,5074
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,9876

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,4483

    Общий результат 0,5911Общий результат 0,45
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,502

    Общий результат 0,5166
    MTEB

    Публичная таблицадругая ревизия

  • VidoreShiftProjectRetrieval

    main_score

    Результат

    0,7314

    MTEB

    Публичная таблицадругая ревизия

  • VidoreInfoVQARetrieval

    main_score

    Результат

    0,8836

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,9439

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,7288

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SauerkrautLM-ColLFM2-450M-v0.1 — компактная модель визуального поиска по документам от VAGO Solutions. Это дообученная версия LiquidAI/LFM2-VL-450M с архитектурой ColLFM2 и 450 млн параметров, предназначенная для сопоставления текстовых запросов со страницами документов по их визуальному содержимому.

Модель преобразует запросы и изображения документов в многовекторные представления для поиска с поздним взаимодействием. Такой подход помогает учитывать структуру страниц, таблицы, графики и формы без отдельного этапа OCR. В карточке приведены результаты на наборах ViDoRe и MTEB, включая многоязычные задания. Заявлена поддержка английского, немецкого, французского, испанского, итальянского и португальского языков.

Для загрузки авторы предлагают пакет sauerkrautlm-colpali и примеры использования с sentence-transformers. В репозитории указана лицензия other; её конкретные условия следует проверить перед использованием. Модель рассчитана на поиск релевантных страниц по текстовым запросам, а не на генерацию ответов или текста.

Сценарии применения

  • поиск страниц документов по текстовому вопросу
  • поиск по таблицам и графикам в документах
  • извлечение релевантных страниц из сканов и PDF
  • многоязычный визуальный поиск по корпоративным документам

Ограничения

Модель предназначена для поиска и ранжирования страниц, а не для самостоятельного распознавания текста или генерации ответов. В карточке указана лицензия other без описания конкретных условий.

Для каких профессий подходит8

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

SauerkrautLM-ColLFM2-450M-v0.1

🏆 #1 Small Model (<1B) | Best-in-Class Efficiency

SauerkrautLM-ColLFM2-450M-v0.1 is the #1 small model for visual document retrieval, achieving 83.56 NDCG@5 on ViDoRe v1 - beating colSmol-500M (82.49) with 10% fewer parameters!

🎯 Why Visual Document Retrieval?

Traditional OCR-based retrieval loses layout, tables, and visual context. Our visual approach:

  • ✅ No OCR errors - Direct visual understanding
  • ✅ Layout-aware - Understands tables, forms, charts
  • ✅ End-to-end - Single model, no pipeline complexity

🏆 Key Achievements

BenchmarkScoreRank (Small <1B)
ViDoRe v183.56🥇 #1
MTEB v1+v274.33🥇 #1
ViDoRe v343.32🥇 #1

Small Category Comparison (<1B, 128-dim)

ModelParamsDimViDoRe v1MTEB v1+v2ViDoRe v3
SauerkrautLM-ColLFM2-450M-v0.1 ⭐450M12883.5674.3343.32
colSmol-500M500M12882.4971.17-
colSmol-256M256M12879.7466.9020.73

#1 in ALL benchmarks for small models!

Detailed Benchmark Results

TaskScore
ArxivQA76.11
DocVQA59.11
InfoVQA88.36
ShiftProject73.14
SyntheticDocQA-AI98.76
SyntheticDocQA-Energy94.39
SyntheticDocQA-Gov94.61
SyntheticDocQA-Health97.32
TabFQuAD80.91
TATDQA72.88
Average83.56

ViDoRe v1 Tasks:

TaskScore
ArxivQA76.11
DocVQA59.11
InfoVQA88.36
ShiftProject73.14
SyntheticDocQA-AI98.76
SyntheticDocQA-Energy94.39
SyntheticDocQA-Gov94.61
SyntheticDocQA-Health97.32
TabFQuAD80.91
TATDQA72.88

ViDoRe v2 Tasks (Multilingual):

TaskScore
ViDoRe-v2-2BioMed51.00
ViDoRe-v2-2Econ48.35
ViDoRe-v2-2ESG-HL54.87
ViDoRe-v2-2ESG50.80
Combined Average74.33
TaskScore
ViDoRe-v3-CS58.08
ViDoRe-v3-Energy47.92
ViDoRe-v3-FinanceEn47.72
ViDoRe-v3-FinanceFr33.00
ViDoRe-v3-HR43.37
ViDoRe-v3-Industry30.21
ViDoRe-v3-Pharma51.42
ViDoRe-v3-Physics34.83
Average43.32

Efficiency Comparison

MetricColLFM2-450McolSmol-500MAdvantage
Parameters450M500M-10%
ViDoRe v183.5682.49+1.07
MTEB v1+v274.3371.17+3.16

📋 Summary Tables

128-dim Models Comparison

Comparison vs High-dim Models

✨ Key Features

  • 🏆 Best Small Model: #1 in ALL benchmarks for <1B models
  • ⚡ Ultra Efficient: Only 450M parameters, ~0.9GB VRAM
  • 🎓 Curriculum Learning: Trained with progressive difficulty
  • 🔀 Hierarchical Merge: Advanced model merging for optimal performance
  • 📐 Native 512x512: Optimized for document resolution
  • 🌍 Multilingual: 6 languages (EN, DE, FR, ES, IT, PT)

Model Details

PropertyValue
Base ModelLiquidAI/LFM2-VL-450M
Parameters450M
Embedding Dimension128
VRAM (bfloat16)~0.9 GB
Max Context Length32,768 tokens
Image Resolution512×512 native
Image Tokens64-256 (dynamic)
Vision EncoderSigLIP2 (86M)
LicenseLFM 1.0

🎓 Advanced Training Methodology

1. Curriculum Learning

Unlike standard training, ColLFM2 was trained with curriculum learning:

Stage 1: Easy examples (high-quality, clear documents)
    ↓
Stage 2: Medium examples (mixed quality)
    ↓
Stage 3: Hard examples (complex layouts, noisy scans)
    ↓
Stage 4: Full mixture with hard negatives

2. Hierarchical Model Merging

Base LFM2-VL-450M
        ↓
    ┌───┴───┐
    ↓       ↓
mMARCO   Retrieval
Specialist  Model
    ↓       ↓
    └───┬───┘
        ↓
  Hierarchical Merge
        ↓
   Final Model
  • mMARCO Specialist: Sub-model trained on mMARCO for retrieval fundamentals
  • Retrieval Model: Trained on document retrieval datasets
  • Hierarchical Merge: Combined using learned merge weights

Hardware & Configuration

SettingValue
GPUs4x NVIDIA RTX 6000 Ada (48GB)
Effective Batch Size256
Precisionbfloat16
Curriculum Stages4

Datasets

DatasetDescription
vidore/colpali_train_setColPali training data
openbmb/VisRAG-Ret-Train-In-domain-dataVisual RAG training data
llamaindex/vdr-multilingual-trainMultilingual retrieval (with curriculum)
unicamp-dl/mmarcomMARCO for specialist model
VAGO Multilingual DatasetsProprietary multilingual data

Installation & Usage

Sentence Transformers

This model can be used with Sentence Transformers as a multi-vector (ColBERT-style late interaction) retriever via the MultiVectorEncoder:

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

model = MultiVectorEncoder("VAGOsolutions/SauerkrautLM-ColLFM2-450M-v0.1")

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",
]

query_embeddings = model.encode_query(queries)
image_embeddings = model.encode_document(images)
print(query_embeddings[0].shape, image_embeddings[0].shape)
# torch.Size([14, 128]) torch.Size([1792, 128])

# Diagonal should have higher scores
scores = model.similarity(query_embeddings, image_embeddings)
print(scores)
# tensor([[13.5820, 13.4766],
#         [ 9.2461,  9.5703]], device='cuda:0')

SauerkrautLM ColPali

⚠️ Important: Install our package first before loading the model:

pip install git+https://github.com/VAGOsolutions/sauerkrautlm-colpali
import torch
from PIL import Image
from sauerkrautlm_colpali.models import ColLFM2, ColLFM2Processor

model_name = "VAGOsolutions/SauerkrautLM-ColLFM2-450M-v0.1"

model = ColLFM2.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    device_map="cuda:0",
).eval()

processor = ColLFM2Processor.from_pretrained(model_name)

images = [Image.open("document.png")]
queries = ["What is the main topic?"]

batch_images = processor.process_images(images).to(model.device)
batch_queries = processor.process_queries(queries).to(model.device)

with torch.no_grad():
    image_embeddings = model(**batch_images)
    query_embeddings = model(**batch_queries)

scores = processor.score(query_embeddings, image_embeddings)

Use Cases

✅ Perfect for:

  • Edge deployment (Raspberry Pi, Jetson)
  • Mobile applications
  • High-throughput batch processing
  • Cost-sensitive deployments
  • Real-time retrieval systems

📊 Additional Benchmark Visualizations

MTEB v1+v2 Benchmark (128-dim Models)

ViDoRe v3 Benchmark (128-dim Models)

Our Models vs High-dim Models

License

This model is licensed under the LFM 1.0 License from LiquidAI. Please review the full license before commercial use.

Citation

@misc{sauerkrautlm-colpali-2025,
  title={SauerkrautLM-ColPali: Multi-Vector Vision Retrieval Models},
  author={David Golchinfar},
  organization={VAGO Solutions},
  year={2025},
  url={https://github.com/VAGOsolutions/sauerkrautlm-colpali}
}

Contact

Как запустить

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

GPU в ailist

Универсальный рантайм · sauerkrautlm-colpali

Нельзя запустить

Архитектура collfm2 неизвестна transformers в образе рантайма.

Класс архитектуры
ColLFM2
Ревизия весов
cf36e48

0 моделей