/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
colqwen3 · dense
Базовая модель
Qwen3-VL-8B
Библиотека
sauerkrautlm-colpali
Опубликована
11 дек 2025

SauerkrautLM-ColQwen3-8b-v0.1

Изображение и текст → текст8 профессий

Мультимодальная модель VAGOsolutions для многоязычного поиска по визуальным документам с помощью 128-мерных многовекторных представлений.

58скачиваний за 30 дней4лайкавеса обновлены27 авг 2026

Бенчмарки

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

Публичные оценки17

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

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,4294

    Общий результат 0,4952Общий результат 0,458Общий результат 0,4527
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,6674

    Общий результат 0,6422Общий результат 0,6124
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,4582

    Общий результат 0,5743Общий результат 0,4945Общий результат 0,4945
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,6493

    Общий результат 0,6878Общий результат 0,6622Общий результат 0,66
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,7587

    Общий результат 0,7788Общий результат 0,7774Общий результат 0,7691
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,6159

    Общий результат 0,6633Общий результат 0,6491Общий результат 0,6019
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,9865

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,9652

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,5682

    Общий результат 0,6141Общий результат 0,5842Общий результат 0,5476
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,5103

    Общий результат 0,639Общий результат 0,5438Общий результат 0,5415
    MTEB

    Публичная таблицадругая ревизия

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,938

    MTEB

    Публичная таблицадругая ревизия

  • VidoreShiftProjectRetrieval

    main_score

    Результат

    0,9041

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3HrRetrieval

    main_score

    Результат

    0,5609

    Общий результат 0,6561Общий результат 0,6015Общий результат 0,6002
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,5548

    Общий результат 0,5759Общий результат 0,5637
    MTEB

    Публичная таблицадругая ревизия

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,9218

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,491

    Общий результат 0,502Общий результат 0,499
    MTEB

    Публичная таблицадругая ревизия

  • VidoreInfoVQARetrieval

    main_score

    Результат

    0,9451

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SauerkrautLM-ColQwen3-8b-v0.1 — мультимодальная модель VAGOsolutions для поиска по визуальным документам. Она дообучена на базе Qwen/Qwen3-VL-8B и формирует многовекторные представления размерностью 128 для позднего взаимодействия в стиле ColBERT. Модель принимает изображения документов и текстовые запросы, учитывает их визуальную структуру, включая таблицы, формы и диаграммы, и предназначена для извлечения релевантных страниц без отдельного этапа OCR.

Модель содержит 8 млрд параметров, поддерживает до 1540 визуальных токенов на изображение и обучалась для работы на английском, немецком, французском, испанском, итальянском и португальском языках. В README указаны результаты на наборах ViDoRe и MTEB; лицензия — Apache-2.0. Заявленные показатели относятся к оценкам автора и могут отличаться на других данных и в иных условиях.

Сценарии применения

  • поиск страниц в PDF по текстовому запросу
  • извлечение ответов из таблиц, форм и диаграмм в документах
  • создание мультиязычного поиска по визуальным документам
  • ранжирование страниц документов для визуального RAG

Ограничения

Предназначена для извлечения и ранжирования документов, а не для генерации ответов или распознавания текста как отдельной задачи. Результаты бенчмарков приведены в карточке модели и могут не отражать качество на конкретном наборе данных.

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-ColQwen3-8b-v0.1

🏆 #1 among 128-dim Models | State-of-the-Art Visual Document Retrieval

SauerkrautLM-ColQwen3-8b-v0.1 is the best-performing 128-dimensional embedding model for visual document retrieval, achieving 91.08 NDCG@5 on ViDoRe v1 - the highest score among all models with 128-dim embeddings.

🎯 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)Rank (All)
ViDoRe v191.08🥇 #1#1
MTEB v1+v282.91#2#5
ViDoRe v358.55🥇 #1#3

128-dim Models Comparison (XLarge Category)

ModelParamsDimViDoRe v1MTEB v1+v2ViDoRe v3
SauerkrautLM-ColQwen3-8b-v0.1 ⭐8.0B12891.0882.9158.55
EvoQwen2.5-VL-Retriever-7B-v17.0B12890.6883.41-
colnomic-embed-multimodal-7b7.0B12889.7281.3057.64

Our 8B model achieves the highest ViDoRe v1 and v3 scores among ALL 128-dim models!

Detailed Benchmark Results

TaskScore
ArxivQA93.80 🥇
DocVQA64.69
InfoVQA94.51
ShiftProject90.41
SyntheticDocQA-AI98.65
SyntheticDocQA-Energy96.52
SyntheticDocQA-Gov96.79
SyntheticDocQA-Health99.26
TabFQuAD92.18
TATDQA84.04 🥇
Average91.08 🥇

ViDoRe v1 Tasks:

TaskScore
ArxivQA93.80 🥇
DocVQA64.69
InfoVQA94.51
ShiftProject90.41
SyntheticDocQA-AI98.65
SyntheticDocQA-Energy96.52
SyntheticDocQA-Gov96.79
SyntheticDocQA-Health99.26
TabFQuAD92.18
TATDQA84.04 🥇

ViDoRe v2 Tasks (Multilingual):

TaskScore
ViDoRe-v2-2BioMed63.26
ViDoRe-v2-2Econ57.98
ViDoRe-v2-2ESG-HL70.77
ViDoRe-v2-2ESG57.85
Combined Average82.91
TaskScore
ViDoRe-v3-CS77.52 🥇
ViDoRe-v3-Energy66.32
ViDoRe-v3-FinanceEn55.79
ViDoRe-v3-FinanceFr45.03
ViDoRe-v3-HR59.96
ViDoRe-v3-Industry50.39
ViDoRe-v3-Pharma63.98
ViDoRe-v3-Physics49.36
Average58.55

Overall Summary (128-dim Models)

ModelParamsViDoRe v1MTEB v1+v2ViDoRe v3
SauerkrautLM-ColQwen3-8b-v0.1 ⭐8.0B91.08 (#1)82.91 (#2)58.55 (#1)
EvoQwen2.5-VL-Retriever-7B-v17.0B90.68 (#3)83.41 (#1)-
SauerkrautLM-ColQwen3-4b-v0.14.0B90.80 (#2)81.97 (#4)56.03 (#4)
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)
colnomic-embed-multimodal-7b7.0B89.72 (#7)81.30 (#5)57.64 (#2)
colnomic-embed-multimodal-3b3.0B89.86 (#6)80.09 (#8)56.40 (#3)
colqwen2.5-v0.23.0B89.54 (#8)81.12 (#6)52.44 (#6)
colqwen2-v1.02.2B89.23 (#9)79.74 (#9)44.18 (#8)

📋 Summary Tables

128-dim Models Comparison

Comparison vs High-dim Models

✨ Key Features

  • 🏆 #1 in 128-dim Class: Best ViDoRe v1 and v3 scores among all 128-dim models
  • ⚡ Compact Embeddings: 128-dimensional (same as ColPali, 2.5x smaller than tomoro)
  • 🌍 Multilingual: Trained on 6 languages (EN, DE, FR, ES, IT, PT)
  • 📄 High Resolution: Supports up to 1540 visual tokens per image
  • 🔧 MTEB Compatible: Standardized evaluation and easy integration
  • 💻 Full Code: github.com/VAGOsolutions/sauerkrautlm-colpali

Model Details

PropertyValue
Base ModelQwen/Qwen3-VL-8B
Parameters8.0B
Embedding Dimension128
VRAM (bfloat16)~16 GB
Max Context Length262,144 tokens
Image ResolutionDynamic (up to 1540 visual tokens)
Supported LanguagesEN, DE, FR, ES, IT, PT
LicenseApache 2.0

Training

Hardware & Configuration

SettingValue
GPUs4x NVIDIA A100 SXM (80GB)
Effective Batch Size256
Precisionbfloat16
OptimizerAdamW

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-ColQwen3-8b-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([[14.9121,  9.1426],
#         [ 5.8672, 15.3125]], 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-ColQwen3-8b-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)

# Process inputs
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

Нельзя запустить

Архитектура colqwen3 неизвестна transformers в образе рантайма.

Класс архитектуры
ColQwen3
Ревизия весов
9ffac03

0 моделей