/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-2B
Библиотека
sauerkrautlm-colpali
Опубликована
11 дек 2025

SauerkrautLM-ColQwen3-2b-v0.1

Изображение и текст → текст10 профессий

Модель VAGOsolutions для визуального поиска релевантных страниц в документах по текстовому запросу с учётом структуры и изображений.

72 409скачиваний за 30 дней4лайкавеса 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 оценки20

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

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,4857

    Общий результат 0,4972Общий результат 0,4816Общий результат 0,4779
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,5154

    Общий результат 0,5429Общий результат 0,5343Общий результат 0,4825
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,5005

    Общий результат 0,4943
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,4165

    Общий результат 0,5472Общий результат 0,4443Общий результат 0,4304
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsHLRetrieval

    main_score

    Результат

    0,6813

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,6457

    Общий результат 0,61Общий результат 0,6084Общий результат 0,6031
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,7222

    Общий результат 0,7785Общий результат 0,757Общий результат 0,7243
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,9963

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,4116

    Общий результат 0,4159
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,5855

    Общий результат 0,6176Общий результат 0,5555
    MTEB

    Публичная таблицадругая ревизия

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,8206

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,5991

    Общий результат 0,5518Общий результат 0,5294Общий результат 0,5055
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,6059

    Общий результат 0,6583Общий результат 0,627Общий результат 0,6087
    MTEB

    Публичная таблицадругая ревизия

  • VidoreInfoVQARetrieval

    main_score

    Результат

    0,9314

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,9691

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3HrRetrieval

    main_score

    Результат

    0,5281

    Общий результат 0,5133
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,9926

    MTEB

    Публичная таблицадругая ревизия

  • VidoreDocVQARetrieval

    main_score

    Результат

    0,6506

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,9032

    MTEB

    Публичная таблицадругая ревизия

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,9124

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SauerkrautLM-ColQwen3-2b-v0.1 — мультимодальная модель VAGOsolutions для визуального поиска по документам. Она дообучена на базе Qwen/Qwen3-VL-2B и использует архитектуру ColQwen3 с многовекторными представлениями и поздним взаимодействием в стиле ColBERT. Модель принимает изображения страниц документов и текстовые запросы, а выдаёт векторы для поиска по содержимому страниц.

Модель предназначена для извлечения релевантных страниц без отдельного OCR-конвейера: она учитывает расположение элементов, таблицы, формы и диаграммы. В README указаны 2,2 млрд параметров, размерность представлений 128 и потребление около 4,4 ГБ видеопамяти. Для оценки заявлены результаты ViDoRe v1, MTEB v1+v2 и ViDoRe v3; это показатели бенчмарков, а не гарантия качества на пользовательских данных.

Заявлена поддержка английского, немецкого, французского, испанского, итальянского и португальского языков. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск страниц в PDF по вопросу на естественном языке
  • поиск таблиц и диаграмм в документах
  • извлечение страниц для системы визуального RAG
  • поиск по многоязычным корпоративным документам
  • поиск ответов в научных статьях и отчётах

Ограничения

Модель предназначена для извлечения документов и страниц, а не для генерации развернутых ответов. Заявленные результаты получены на бенчмарках и могут не отражать качество на конкретных коллекциях.

Для каких профессий подходит10

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-ColQwen3-2b-v0.1

🥇 Best 128-dim Model in Medium (1-3B) Category | +1.01 over ColQwen2

SauerkrautLM-ColQwen3-2b-v0.1 achieves 90.24 NDCG@5 on ViDoRe v1, making it the #1 in the Medium (1-3B) category among 128-dim models - a significant +1.01 improvement over the baseline ColQwen2-v1.0.

🎯 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 (128-dim)
ViDoRe v190.24#5
MTEB v1+v281.02#6
ViDoRe v354.32#5

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

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

#1 in Medium category on all three benchmarks!

Detailed Benchmark Results

TaskScore
ArxivQA91.24
DocVQA65.06
InfoVQA93.14
ShiftProject88.74
SyntheticDocQA-AI99.63
SyntheticDocQA-Energy96.91
SyntheticDocQA-Gov96.08
SyntheticDocQA-Health99.26
TabFQuAD90.32
TATDQA82.06
Average90.24

ViDoRe v1 Tasks:

TaskScore
ArxivQA91.24
DocVQA65.06
InfoVQA93.14
ShiftProject88.74
SyntheticDocQA-AI99.63
SyntheticDocQA-Energy96.91
SyntheticDocQA-Gov96.08
SyntheticDocQA-Health99.26
TabFQuAD90.32
TATDQA82.06

ViDoRe v2 Tasks (Multilingual):

TaskScore
ViDoRe-v2-2BioMed58.62
ViDoRe-v2-2Econ54.64
ViDoRe-v2-2ESG-HL68.13
ViDoRe-v2-2ESG50.40
Combined Average81.02
TaskScore
ViDoRe-v3-CS73.70
ViDoRe-v3-Energy61.21
ViDoRe-v3-FinanceEn54.30
ViDoRe-v3-FinanceFr40.18
ViDoRe-v3-HR52.97
ViDoRe-v3-Industry44.01
ViDoRe-v3-Pharma60.64
ViDoRe-v3-Physics47.57
Average54.32

Improvement over Baseline

MetricColQwen3-2bColQwen2-v1.0Improvement
ViDoRe v190.2489.23+1.01
MTEB v1+v281.0279.74+1.28
ViDoRe v354.3244.18+10.14

📋 Summary Tables

128-dim Models Comparison

Comparison vs High-dim Models

✨ Key Features

  • 🥇 #1 in Medium Category: Best 1-3B model among 128-dim models
  • 📈 +1.01 over ColQwen2: Significant improvement over baseline
  • 💾 Consumer GPU Ready: Only ~4.4GB VRAM
  • ⚡ Compact Embeddings: 128-dimensional
  • 🌍 Multilingual: 6 languages (EN, DE, FR, ES, IT, PT)

Model Details

PropertyValue
Base ModelQwen/Qwen3-VL-2B
Parameters2.2B
Embedding Dimension128
VRAM (bfloat16)~4.4 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 document 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-ColQwen3-2b-v0.1",
    model_kwargs={"dtype": "bfloat16"},
)

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([[15.1758,  9.4717],
#         [ 4.1470, 14.3262]], 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-ColQwen3-2b-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)

📊 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
ColQwen3
Ревизия весов
60a0200

0 моделей