/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
colqwen3 · dense
Базовая модель
Qwen3-VL-2B
Библиотека
sauerkrautlm-colpali
Опубликована
11 дек 2025

SauerkrautLM-ColQwen3-1.7b-Turbo-v0.1

Изображение и текст → текст8 профессий

Компактная мультиязычная ColQwen3-модель для визуального поиска по документам с учётом текста, макета и элементов страниц.

59скачиваний за 30 дней3лайкавеса обновлены27 авг 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.

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,343

    Общий результат 0,3473Общий результат 0,3108Общий результат 0,2772
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAGovernmentReportsRetrieval

    main_score

    Результат

    0,9489

    MTEB

    Публичная таблицадругая ревизия

  • VidoreShiftProjectRetrieval

    main_score

    Результат

    0,8776

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3HrRetrieval

    main_score

    Результат

    0,6012

    Общий результат 0,4605Общий результат 0,4544Общий результат 0,4438
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,4579

    Общий результат 0,4706Общий результат 0,4574Общий результат 0,4539
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,5399

    Общий результат 0,5262Общий результат 0,5001
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,3292

    Общий результат 0,5366Общий результат 0,3788Общий результат 0,3782
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,6563

    Общий результат 0,7431Общий результат 0,6645Общий результат 0,6626
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,5428

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,9749

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,4325

    Общий результат 0,457Общий результат 0,4198
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,4441

    Общий результат 0,5592Общий результат 0,4476
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsHLRetrieval

    main_score

    Результат

    0,5723

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,6232

    Общий результат 0,5815Общий результат 0,5706Общий результат 0,5641
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,4447

    Общий результат 0,4993
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,9826

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,8119

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,9816

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SauerkrautLM-ColQwen3-1.7b-Turbo-v0.1 — мультиязычная модель визуального поиска по документам от VAGOsolutions, основанная на Qwen3-VL-2B. Это ColQwen3 с многовекторным представлением и поздним взаимодействием: модель кодирует изображения страниц и текстовые запросы, чтобы находить релевантные документы с учётом макета, таблиц, форм и диаграмм без отдельного OCR-конвейера.

Модель уменьшена структурным прореживанием и восстановлена обучением на mMARCO, а затем настроена для поиска по документам. В ней около 1,7 млрд параметров и размерность эмбеддингов 128; автор сообщает о снижении объёма параметров на 23% относительно версии на 2,2 млрд. В README приведены результаты ViDoRe v1: NDCG@5 88,89; также указаны результаты MTEB и ViDoRe v3. Метаданные указывают поддержку английского, немецкого, французского, испанского, итальянского и португальского языков. Модель принимает изображения и текстовые запросы, а выдаёт многовекторные представления для ранжирования документов. Лицензия — Apache-2.0.

Подходит для визуального поиска по PDF и сканированным документам, включая поиск по содержимому, где важны структура страницы и визуальный контекст. Заявленные результаты основаны на бенчмарках; качество может различаться на других наборах документов и запросов. Для работы требуется совместимая реализация ColPali/ColQwen3 или Sentence Transformers с поддержкой многовекторного поиска.

Сценарии применения

  • поиск ответов в PDF по текстовому запросу
  • поиск по сканам документов без отдельного OCR
  • поиск по таблицам, формам и диаграммам в документах
  • мультиязычный поиск по визуальным документам
  • ранжирование страниц документов для систем RAG

Ограничения

Показатели качества приведены на бенчмарках и не гарантируют тех же результатов на других документах и запросах. Для многовекторного поиска нужна совместимая программная реализация.

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-ColQwen3-1.7b-Turbo-v0.1

⚡ Turbo Edition | 23% Smaller, 88.89 ViDoRe v1

SauerkrautLM-ColQwen3-1.7b-Turbo-v0.1 is a pruned and optimized model created by applying structured pruning to Qwen3-VL-2B. Despite being 23% smaller, it achieves 88.89 NDCG@5 on ViDoRe v1 - still beating ColPali-v1.3 (84.75) by a large margin!

🎯 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

✨ What Makes This "Turbo"?

Aspect2B Model1.7B TurboReduction
Parameters2.2B1.7B-23%
VRAM (bf16)~4.4 GB~3.4 GB-23%
ViDoRe v190.2488.89-1.35 pts
Inference SpeedBaseline~20% faster⚡

🏆 Benchmark Results

BenchmarkScoreRank (128-dim)
ViDoRe v188.89#10
MTEB v1+v277.94#10
ViDoRe v348.76#7

Medium Category Comparison (1-3B, 128-dim)

ModelParamsDimViDoRe v1MTEB v1+v2ViDoRe v3
SauerkrautLM-ColQwen3-2b-v0.1 ⭐2.2B12890.2481.0254.32
colqwen2.5-v0.22.2B12889.5481.1252.44
colqwen2-v1.02.2B12889.2379.7444.18
SauerkrautLM-ColQwen3-1.7b-Turbo-v0.11.7B12888.8977.9448.76

vs. ColPali Baseline

ModelParamsViDoRe v1
ColQwen3-1.7b-Turbo1.7B88.89
colpali-v1.32.9B84.75
colpali-v1.22.9B83.15
colpali-v1.12.9B81.61

Turbo model beats ColPali-v1.3 by +4.14 points with 42% fewer parameters!

Detailed Benchmark Results

TaskScore
ArxivQA91.09
DocVQA60.98
InfoVQA92.08
ShiftProject87.76
SyntheticDocQA-AI98.16
SyntheticDocQA-Energy97.49
SyntheticDocQA-Gov94.88
SyntheticDocQA-Health98.26
TabFQuAD87.03
TATDQA81.19
Average88.89

ViDoRe v1 Tasks:

TaskScore
ArxivQA91.09
DocVQA60.98
InfoVQA92.08
ShiftProject87.76
SyntheticDocQA-AI98.16
SyntheticDocQA-Energy97.49
SyntheticDocQA-Gov94.88
SyntheticDocQA-Health98.26
TabFQuAD87.03
TATDQA81.19

ViDoRe v2 Tasks (Multilingual):

TaskScore
ViDoRe-v2-2BioMed53.92
ViDoRe-v2-2Econ47.85
ViDoRe-v2-2ESG-HL57.23
ViDoRe-v2-2ESG43.27
Combined Average77.94
TaskScore
ViDoRe-v3-CS67.14
ViDoRe-v3-Energy56.48
ViDoRe-v3-FinanceEn46.17
ViDoRe-v3-FinanceFr33.73
ViDoRe-v3-HR46.66
ViDoRe-v3-Industry39.44
ViDoRe-v3-Pharma55.31
ViDoRe-v3-Physics45.14
Average48.76

📋 Summary Tables

128-dim Models Comparison

Comparison vs High-dim Models

⚙️ Pruning Methodology

Structured Pruning

  1. Layer Pruning: Removed less important transformer layers based on gradient-based importance scoring
  2. Intermediate Size Reduction: Reduced FFN intermediate dimensions
  3. Result: 23% parameter reduction (2.2B → 1.7B)

Recovery Training with mMARCO

After pruning, the model underwent recovery training:

Pruned Model → mMARCO Pre-training → Fine-tuning → Final Model

The mMARCO pre-training was crucial to "heal" the model after pruning.

Model Details

PropertyValue
Original ModelQwen3-VL-2B
Parameters1.7B (-23%)
Embedding Dimension128
VRAM (bfloat16)~3.4 GB
Max Context Length262,144 tokens
Pruning MethodLayer + Intermediate Size
Recovery DatasetmMARCO
LicenseApache 2.0

Training

Hardware & Configuration

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

Training Pipeline

  1. Phase 1: Structured Pruning (gradient-based importance)
  2. Phase 2: mMARCO Recovery Training
  3. Phase 3: Retrieval Fine-tuning on standard datasets

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-ColQwen3-1.7b-Turbo-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([25, 128]) torch.Size([1251, 128])

# Diagonal should have higher scores
scores = model.similarity(query_embeddings, image_embeddings)
print(scores)
# tensor([[14.5811, 11.6055],
#         [ 7.1665, 14.7393]], 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 ColQwen3, ColQwen3Processor

model_name = "VAGOsolutions/SauerkrautLM-ColQwen3-1.7b-Turbo-v0.1"

model = ColQwen3.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    device_map="cuda:0",
).eval()

processor = ColQwen3Processor.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 Turbo

✅ Choose Turbo when:

  • Running on limited GPU memory (< 4GB available)
  • Need faster inference
  • Deploying on edge devices
  • Cost optimization is priority

❌ Choose 2B instead when:

  • Maximum accuracy required
  • Memory is not a constraint

📊 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

Нельзя запустить

Архитектура colqwen3 неизвестна transformers в образе рантайма.

Класс архитектуры
ColQwen3
Ревизия весов
ed864b7

0 моделей