/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B
Библиотека
sauerkrautlm-colpali
Опубликована
11 дек 2025

SauerkrautLM-ColQwen3-4b-v0.1

Изображение и текст → текст7 профессий

Мультиязычная модель визуального поиска по документам, которая сопоставляет текстовые запросы со страницами документов с учётом их структуры и визуального содержимого.

194скачиваний 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 оценки20

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

  • VidoreDocVQARetrieval

    main_score

    Результат

    0,6696

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,6361

    Общий результат 0,6578Общий результат 0,6517
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,6497

    Общий результат 0,5363
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    1

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,7453

    Общий результат 0,771Общий результат 0,7301Общий результат 0,7268
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,4582

    Общий результат 0,5244Общий результат 0,4635
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,5633

    Общий результат 0,5876Общий результат 0,5516
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,9652

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,6513

    Общий результат 0,6037Общий результат 0,6029Общий результат 0,6015
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,5793

    Общий результат 0,5601Общий результат 0,5044
    MTEB

    Публичная таблицадругая ревизия

  • VidoreInfoVQARetrieval

    main_score

    Результат

    0,9424

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,4837

    Общий результат 0,493Общий результат 0,4912Общий результат 0,4796
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsHLRetrieval

    main_score

    Результат

    0,6923

    MTEB

    Публичная таблицадругая ревизия

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,9183

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,6003

    Общий результат 0,6168Общий результат 0,573Общий результат 0,5641
    MTEB

    Публичная таблицадругая ревизия

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,8266

    MTEB

    Публичная таблицадругая ревизия

  • VidoreShiftProjectRetrieval

    main_score

    Результат

    0,9055

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,3901

    Общий результат 0,4618Общий результат 0,4391Общий результат 0,4333
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAGovernmentReportsRetrieval

    main_score

    Результат

    0,9616

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3HrRetrieval

    main_score

    Результат

    0,5393

    Общий результат 0,628Общий результат 0,5422
    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SauerkrautLM-ColQwen3-4b-v0.1 — мультиязычная модель визуального поиска по документам, разработанная VAGOsolutions на основе Qwen/Qwen3-VL-4B. Это дообученная плотная модель семейства Qwen3-VL с архитектурой ColQwen3: она кодирует изображения страниц и текстовые запросы в многовекторные представления размерностью 128 и использует позднее взаимодействие для ранжирования документов. Такой подход сохраняет визуальную структуру страниц, включая таблицы, формы и графики, и не требует отдельного OCR-конвейера.

Модель предназначена для поиска релевантных страниц в коллекциях документов и визуального RAG. В карточке заявлены 4 млрд параметров и ориентир около 8 ГБ VRAM. На ViDoRe v1 указана оценка NDCG@5 90,80; также приведены результаты MTEB и ViDoRe v2/v3. Поддерживаются английский, немецкий, французский, испанский, итальянский и португальский языки. Лицензия — Apache-2.0.

Для загрузки указан пакет sauerkrautlm-colpali; README также описывает использование с Sentence Transformers как многовекторного ретривера. Модель предназначена для извлечения и ранжирования документов, а не для генерации ответов или текста. Заявленные результаты относятся к приведённым бенчмаркам и сами по себе не гарантируют качество на иных корпусах; фактические требования к памяти зависят от конфигурации и размера пакета.

Сценарии применения

  • Поиск страниц по текстовому запросу в коллекции PDF-документов
  • Извлечение релевантных страниц для визуального RAG
  • Поиск по документам с таблицами, формами и графиками без отдельного OCR
  • Мультиязычный поиск по научным статьям и деловым документам

Ограничения

Модель рассчитана на извлечение и ранжирование документов, а не на генерацию ответов. Показатели качества приведены для ViDoRe и MTEB и могут не отражать результаты на других наборах документов.

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

SauerkrautLM-ColQwen3-4b-v0.1

🥇 Best 128-dim Model in Large (3-5B) Category | Excellent Performance with Half the Memory

SauerkrautLM-ColQwen3-4b-v0.1 achieves 90.80 NDCG@5 on ViDoRe v1, making it the #2 overall among 128-dim models and the best in the Large (3-5B) category for ViDoRe v1.

🎯 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 v190.80#2
MTEB v1+v281.97#4
ViDoRe v356.03#4

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
colqwen2.5-v0.23.0B12889.5481.1252.44
SauerkrautLM-ColMinistral3-3b-v0.13.0B12881.9871.9340.50

Best ViDoRe v1 in the Large category!

Detailed Benchmark Results

TaskScore
ArxivQA91.83
DocVQA66.96 🥇
InfoVQA94.23
ShiftProject90.55
SyntheticDocQA-AI99.63
SyntheticDocQA-Energy96.52
SyntheticDocQA-Gov96.16
SyntheticDocQA-Health100.00 🥇
TabFQuAD89.48
TATDQA82.66
Average90.80

ViDoRe v1 Tasks:

TaskScore
ArxivQA91.83
DocVQA66.96 🥇
InfoVQA94.23
ShiftProject90.55
SyntheticDocQA-AI99.63
SyntheticDocQA-Energy96.52
SyntheticDocQA-Gov96.16
SyntheticDocQA-Health100.00 🥇
TabFQuAD89.48
TATDQA82.66

ViDoRe v2 Tasks (Multilingual):

TaskScore
ViDoRe-v2-2BioMed58.85
ViDoRe-v2-2Econ54.96
ViDoRe-v2-2ESG-HL69.23
ViDoRe-v2-2ESG56.52
Combined Average81.97
TaskScore
ViDoRe-v3-CS73.96
ViDoRe-v3-Energy64.66
ViDoRe-v3-FinanceEn55.92
ViDoRe-v3-FinanceFr42.87
ViDoRe-v3-HR55.70
ViDoRe-v3-Industry46.06
ViDoRe-v3-Pharma60.70
ViDoRe-v3-Physics48.33
Average56.03

Overall Summary (128-dim Models)

ModelParamsViDoRe v1MTEB v1+v2ViDoRe v3
SauerkrautLM-ColQwen3-8b-v0.18.0B91.08 (#1)82.91 (#2)58.55 (#1)
SauerkrautLM-ColQwen3-4b-v0.1 ⭐4.0B90.80 (#2)81.97 (#4)56.03 (#4)
EvoQwen2.5-VL-Retriever-7B-v17.0B90.68 (#3)83.41 (#1)-
EvoQwen2.5-VL-Retriever-3B-v13.0B90.67 (#4)82.76 (#3)-
SauerkrautLM-ColQwen3-2b-v0.12.2B90.24 (#5)81.02 (#7)54.32 (#5)
colqwen2.5-v0.23.0B89.54 (#8)81.12 (#6)52.44 (#6)

📋 Summary Tables

128-dim Models Comparison

Comparison vs High-dim Models

✨ Key Features

  • 🏆 #2 Overall (128-dim): Second highest ViDoRe v1 score among all 128-dim models
  • 🥇 #1 in Large Category: Best 3-5B model on ViDoRe v1
  • 💾 Memory Efficient: Only ~8GB VRAM (half of 8B model)
  • ⚡ Compact Embeddings: 128-dimensional
  • 🌍 Multilingual: 6 languages (EN, DE, FR, ES, IT, PT)

Model Details

PropertyValue
Base ModelQwen/Qwen3-VL-4B
Parameters4.0B
Embedding Dimension128
VRAM (bfloat16)~8 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-ColQwen3-4b-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([[16.3877,  8.1367],
#         [ 5.8350, 15.3848]], 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-ColQwen3-4b-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
de6b8ac

0 моделей