/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
mistral3 · dense
Базовая модель
Ministral-3B-Instruct
Библиотека
sauerkrautlm-colpali
Опубликована
11 дек 2025

SauerkrautLM-ColMinistral3-3b-v0.1

Изображение и текст → текст4 профессии

Экспериментальная модель VAGOsolutions для мультиязычного визуального поиска по страницам документов с использованием изображений и текстовых запросов.

55скачиваний за 30 дней3лайкавеса обновлены27 авг 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 «Изображение → текст» — 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 оценки18

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

  • VidoreSyntheticDocQAGovernmentReportsRetrieval

    main_score

    Результат

    0,9298

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,4688

    Общий результат 0,4078
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,4494

    Общий результат 0,5049Общий результат 0,4534Общий результат 0,4404
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,6231

    Общий результат 0,7119Общий результат 0,6153
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,4194

    Общий результат 0,4245Общий результат 0,3295
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,2616

    Общий результат 0,4129Общий результат 0,2495Общий результат 0,2333
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,3776

    Общий результат 0,4534Общий результат 0,4419Общий результат 0,4355
    MTEB

    Публичная таблицадругая ревизия

  • VidoreDocVQARetrieval

    main_score

    Результат

    0,5623

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,4523

    Общий результат 0,3387Общий результат 0,3308Общий результат 0,3241
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,9479

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,4691

    Общий результат 0,589Общий результат 0,484
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3HrRetrieval

    main_score

    Результат

    0,4975

    Общий результат 0,3752Общий результат 0,3612Общий результат 0,3467
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,5302

    Общий результат 0,6097Общий результат 0,5211Общий результат 0,5076
    MTEB

    Публичная таблицадругая ревизия

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,6568

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,2737

    Общий результат 0,2656Общий результат 0,2273
    MTEB

    Публичная таблицадругая ревизия

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,8937

    MTEB

    Публичная таблицадругая ревизия

  • VidoreShiftProjectRetrieval

    main_score

    Результат

    0,7001

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsHLRetrieval

    main_score

    Результат

    0,4495

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SauerkrautLM-ColMinistral3-3b-v0.1 — экспериментальная мультимодальная модель VAGOsolutions для визуального поиска по документам. Она основана на Ministral и использует визуальный энкодер Pixtral; модель обучена для извлечения документов и представления страниц в виде многовекторных эмбеддингов размерности 128 с поздним взаимодействием в стиле ColBERT. Параметры модели — 3 млрд.

Модель принимает изображения страниц и текстовые запросы, чтобы находить релевантные документы с учётом структуры макета, таблиц, форм и графиков. Заявлена поддержка английского, немецкого, французского, испанского, итальянского и португальского языков. В README приведены результаты на ViDoRe и MTEB; авторы отмечают, что модель уступает более новым вариантам для retrieval и рекомендуют её для экспериментов, а не для производственного развёртывания. Лицензия — Apache-2.0.

Сценарии применения

  • поиск страниц документов по текстовому запросу
  • поиск таблиц и форм в сканах
  • поиск диаграмм и графиков в документах
  • мультиязычный визуальный поиск в коллекции документов
  • эксперименты с многовекторным извлечением документов

Ограничения

Модель экспериментальная и, по оценке авторов, менее оптимизирована для извлечения документов, чем варианты на Qwen3-VL; для производственного применения авторы рекомендуют ColQwen3 или ColLFM2.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SauerkrautLM-ColMinistral3-3b-v0.1

🔬 Experimental Architecture | Mistral-Based Visual Retrieval

SauerkrautLM-ColMinistral3-3b-v0.1 is an experimental model based on mistralai/Ministral-3-3B-Reasoning-2512 with the Pixtral vision encoder, exploring the Mistral architecture for document retrieval.

⚠️ Note: This is an experimental release. For production use, we recommend ColQwen3 or ColLFM2 models.

🎯 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

📊 Benchmark Results

BenchmarkScoreRank (128-dim)
ViDoRe v181.98-
MTEB v1+v271.93-
ViDoRe v340.50#11

Large Category Comparison (3-5B, 128-dim)

ModelParamsDimViDoRe v1MTEB v1+v2ViDoRe v3
SauerkrautLM-ColQwen3-4b-v0.1 ⭐4.0B12890.8081.9756.03
EvoQwen2.5-VL-Retriever-3B-v13.0B12890.6782.76-
colnomic-embed-multimodal-3b3.0B12889.8680.0956.40
SauerkrautLM-ColMinistral3-3b-v0.13.0B12881.9871.9340.50

vs. ColPali Baseline

ModelParamsViDoRe v1
ColMinistral3-3b3.0B81.98
colpali-v1.12.9B81.61

Slightly better than ColPali-v1.1 baseline.

📋 Summary Tables

128-dim Models Comparison

Comparison vs High-dim Models

✨ Key Features

  • 🔬 Novel Architecture: First ColPali-style model based on Ministral/Pixtral
  • 📷 Pixtral Vision: Uses Mistral's Pixtral vision encoder
  • ⚡ 128-dim Embeddings: Compact embedding space
  • 🌍 Multilingual: 6 languages (EN, DE, FR, ES, IT, PT)

Model Details

PropertyValue
Base Modelmistralai/Ministral-3B-Instruct
Vision EncoderPixtral
Parameters3.0B
Embedding Dimension128
VRAM (bfloat16)~6 GB
Max Context Length262,144 tokens
LicenseApache 2.0

Training

Hardware & Configuration

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

Datasets

DatasetTypeDescription
vidore/colpali_train_setPublicColPali training data
openbmb/VisRAG-Ret-Train-In-domain-dataPublicVisual RAG training data
llamaindex/vdr-multilingual-trainPublicMultilingual retrieval
VAGO Multilingual Dataset 1In-houseProprietary multilingual document-query pairs
VAGO Multilingual Dataset 2In-houseProprietary multilingual document-query pairs

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-ColMinistral3-3b-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([24, 128]) torch.Size([427, 128])

# Diagonal should have higher scores
scores = model.similarity(query_embeddings, image_embeddings)
print(scores)
# tensor([[24.0039, 24.0000],
#         [19.2227, 19.5508]], device='cuda:0')

SauerkrautLM ColPali

⚠️ Important: Install our package first (requires transformers 5.0.0+):

pip install "sauerkrautlm-colpali[ministral]"
# Or: pip install git+https://github.com/VAGOsolutions/sauerkrautlm-colpali && pip install transformers>=5.0.0rc0
import torch
from PIL import Image
from sauerkrautlm_colpali.models import ColMinistral3, ColMinistral3Processor

model_name = "VAGOsolutions/SauerkrautLM-ColMinistral3-3b-v0.1"

model = ColMinistral3.from_pretrained(model_name)
model = model.to(dtype=torch.bfloat16, device="cuda:0").eval()

processor = ColMinistral3Processor.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)

When to Use This Model

✅ Consider when:

  • You need a Mistral-based architecture
  • Exploring alternative vision encoders
  • Research and experimentation

❌ Use ColQwen3 instead when:

  • Maximum performance required
  • Production deployment

Experimental Status

This model represents architecture exploration. Key findings:

  • Pixtral Vision Encoder works for document understanding
  • Ministral backbone capable but not as optimized for retrieval as Qwen3-VL
  • Future work: investigating larger Ministral variants

📊 Additional Benchmark Visualizations

MTEB v1+v2 Benchmark (128-dim Models)

ViDoRe v3 Benchmark (128-dim Models)

Our Models vs High-dim Models

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

Можно запустить

Подбираем GPU…

Класс архитектуры
ColMinistral3
Ревизия весов
475001d

0 моделей