/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Библиотека
transformers
Опубликована
30 апр 2025

VLM2Vec-V2.0

Изображение и текст → текст7 профессий

VLM2Vec-V2.0 — мультимодальная модель для получения эмбеддингов, разработанная командой TIGER-Lab.

7 428скачиваний за 30 дней31лайквеса обновлены13 июл 2025

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 оценки50

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

  • AVEDatasetVideoClustering

    main_score

    Результат

    0,7302

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVideoClassification

    main_score

    Результат

    0,165

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVideoZeroShot

    main_score

    Результат

    0,0796

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoClassification

    main_score

    Результат

    0,4953

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics700V

    main_score

    Результат

    0,444

    MTEB

    Публичная таблицаревизия совпадает

  • BreakfastClassification

    main_score

    Результат

    0,3048

    MTEB

    Публичная таблицаревизия совпадает

  • VALOR32KT2VRetrieval

    main_score

    Результат

    0,4219

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVPairClassification

    main_score

    Результат

    0,9196

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonZeroShot

    main_score

    Результат

    0,8494

    MTEB

    Публичная таблицаревизия совпадает

  • AudioCapsAVV2TRetrieval

    main_score

    Результат

    0,2156

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonV

    main_score

    Результат

    0,8852

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClassification

    main_score

    Результат

    0,5391

    MTEB

    Публичная таблицаревизия совпадает

  • Panda70MT2VRetrieval

    main_score

    Результат

    0,6793

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundVideoZeroshot

    main_score

    Результат

    0,3229

    MTEB

    Публичная таблицаревизия совпадает

  • YouCook2V2TRetrieval

    main_score

    Результат

    0,2491

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoZeroShot

    main_score

    Результат

    0,7687

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonVPairClassification

    main_score

    Результат

    0,813

    MTEB

    Публичная таблицаревизия совпадает

  • Diving48Classification.V2

    main_score

    Результат

    0,0327

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQAVPairClassification

    main_score

    Результат

    0,6964

    MTEB

    Публичная таблицаревизия совпадает

  • Shot2Story20KV2TRetrieval

    main_score

    Результат

    0,9562

    MTEB

    Публичная таблицаревизия совпадает

  • MSVDT2VRetrieval

    main_score

    Результат

    0,6976

    MTEB

    Публичная таблицаревизия совпадает

  • YouCook2T2VRetrieval

    main_score

    Результат

    0,2237

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClassification

    main_score

    Результат

    0,8865

    MTEB

    Публичная таблицаревизия совпадает

  • BreakfastZeroShot

    main_score

    Результат

    0,3279

    MTEB

    Публичная таблицаревизия совпадает

  • VideoMMEShortVideoCentricQA

    main_score

    Результат

    0,4778

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Clustering

    main_score

    Результат

    0,6771

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeExamT2VRetrieval

    main_score

    Результат

    0,334

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundV

    main_score

    Результат

    0,4117

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeVideoZeroShot

    main_score

    Результат

    0,2033

    MTEB

    Публичная таблицаревизия совпадает

  • OmniVideoBenchVideoCentricQA

    main_score

    Результат

    0,2908

    MTEB

    Публичная таблицаревизия совпадает

  • WorldQAVideoCentricQA

    main_score

    Результат

    0,4007

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics700VZeroShot

    main_score

    Результат

    0,4288

    MTEB

    Публичная таблицаревизия совпадает

  • NExTQAVideoCentricQA

    main_score

    Результат

    0,4491

    MTEB

    Публичная таблицаревизия совпадает

  • EgoSchemaVideoCentricQA

    main_score

    Результат

    0,558

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51ZeroShot

    main_score

    Результат

    0,4242

    MTEB

    Публичная таблицаревизия совпадает

  • ActivityNetCaptionsV2TRetrieval

    main_score

    Результат

    0,5777

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics400V

    main_score

    Результат

    0,5628

    MTEB

    Публичная таблицаревизия совпадает

  • AVSpeakerBenchVideoCentricQA

    main_score

    Результат

    0,311

    MTEB

    Публичная таблицаревизия совпадает

  • VinogroundPairClassification

    main_score

    Результат

    0,5448

    MTEB

    Публичная таблицаревизия совпадает

  • MSVDV2TRetrieval

    main_score

    Результат

    0,6986

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics600V

    main_score

    Результат

    0,5547

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics600VZeroShot

    main_score

    Результат

    0,5039

    MTEB

    Публичная таблицаревизия совпадает

  • MELDEmotionVideoClustering

    main_score

    Результат

    0,0095

    MTEB

    Публичная таблицаревизия совпадает

  • AudioCapsAVT2VRetrieval

    main_score

    Результат

    0,1994

    MTEB

    Публичная таблицаревизия совпадает

  • TUNABenchV2TRetrieval

    main_score

    Результат

    0,9636

    MTEB

    Публичная таблицаревизия совпадает

  • ActivityNetCaptionsT2VRetrieval

    main_score

    Результат

    0,5266

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundAVT2VRetrieval

    main_score

    Результат

    0,9537

    MTEB

    Публичная таблицаревизия совпадает

  • VATEXV2TRetrieval

    main_score

    Результат

    0,6555

    MTEB

    Публичная таблицаревизия совпадает

  • Shot2Story20KT2VRetrieval

    main_score

    Результат

    0,9502

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeExamV2TRetrieval

    main_score

    Результат

    0,3192

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Она предназначена для сопоставления визуального или текстового запроса с текстовыми описаниями и решения задач мультимодального поиска и оценки семантического сходства.

Модель поддерживает изображения, видео и визуальные документы, а также текстовые данные. В демонстрации используется backbone Qwen2-VL-7B и дообучение с LoRA; предусмотрено нормализованное pooling-представление и вычисление сходства между эмбеддингами. Модель обучалась и оценивалась на наборах MMEB-train, MMEB-V2 и MMEB-eval. В метаданных указан английский язык. Размер контекста и точные характеристики архитектуры в README не указаны.

Сильная сторона модели — единое мультимодальное представление для работы с разными типами визуального контента, включая видео, изображения и документы, что делает её подходящей для retrieval-сценариев. Ограничения README подробно не описывает; для запуска требуются Transformers, PyTorch и, согласно примеру, GPU с поддержкой bfloat16. Модель распространяется по лицензии Apache-2.0.

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

VLM2Vec-V2

Website |Github | 🏆Leaderboard | 📖MMEB-V2/VLM2Vec-V2 Paper | | 📖MMEB-V1/VLM2Vec-V1 Paper |

🚀 What's New

  • [2025.07] Release tech report.
  • [2025.05] Initial release of MMEB-V2/VLM2Vec-V2.

Experimental Results

We provided the result on MMEB-V2. The detailed leaderboard is here.

How to use VLM2Vec

We have provided demo example in our Github.

from src.arguments import ModelArguments, DataArguments
from src.model.model import MMEBModel
from src.model.processor import load_processor, QWEN2_VL, VLM_VIDEO_TOKENS
import torch
from src.model.vlm_backbone.qwen2_vl.qwen_vl_utils import process_vision_info

model_args = ModelArguments(
    model_name='Qwen/Qwen2-VL-7B-Instruct',
    checkpoint_path='TIGER-Lab/VLM2Vec-Qwen2VL-7B',
    pooling='last',
    normalize=True,
    model_backbone='qwen2_vl',
    lora=True
)
data_args = DataArguments()

processor = load_processor(model_args, data_args)
model = MMEBModel.load(model_args)
model = model.to('cuda', dtype=torch.bfloat16)
model.eval()

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "video",
                "video": "assets/example_video.mp4",
                "max_pixels": 360 * 420,
                "fps": 1.0,
            },
            {"type": "text", "text": "Describe this video."},
        ],
    }
]

image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=f'{VLM_VIDEO_TOKENS[QWEN2_VL]} Represent the given video.',
    videos=video_inputs,
    return_tensors="pt"
)
inputs = {key: value.to('cuda') for key, value in inputs.items()}
inputs['pixel_values_videos'] = inputs['pixel_values_videos'].unsqueeze(0)
inputs['video_grid_thw'] = inputs['video_grid_thw'].unsqueeze(0)
qry_output = model(qry=inputs)["qry_reps"]

string = 'A man in a gray sweater plays fetch with his dog in the snowy yard, throwing a toy and watching it run.'
inputs = processor(text=string,
                   images=None,
                   return_tensors="pt")
inputs = {key: value.to('cuda') for key, value in inputs.items()}
tgt_output = model(tgt=inputs)["tgt_reps"]
print(string, '=', model.compute_similarity(qry_output, tgt_output))
## tensor([[0.4746]], device='cuda:0', dtype=torch.bfloat16)

string = 'A person dressed in a blue jacket shovels the snow-covered pavement outside their house.'
inputs = processor(text=string,
                   images=None,
                   return_tensors="pt")
inputs = {key: value.to('cuda') for key, value in inputs.items()}
tgt_output = model(tgt=inputs)["tgt_reps"]
print(string, '=', model.compute_similarity(qry_output, tgt_output))
## tensor([[0.3223]], device='cuda:0', dtype=torch.bfloat16)

Citation

@article{jiang2024vlm2vec,
  title={VLM2Vec: Training Vision-Language Models for Massive Multimodal Embedding Tasks},
  author={Jiang, Ziyan and Meng, Rui and Yang, Xinyi and Yavuz, Semih and Zhou, Yingbo and Chen, Wenhu},
  journal={arXiv preprint arXiv:2410.05160},
  year={2024}
}

@article{meng2025vlm2vecv2,
  title={VLM2Vec-V2: Advancing Multimodal Embedding for Videos, Images, and Visual Documents},
  author={Rui Meng and Ziyan Jiang and Ye Liu and Mingyi Su and Xinyi Yang and Yuepeng Fu and Can Qin and Zeyuan Chen and Ran Xu and Caiming Xiong and Yingbo Zhou and Wenhu Chen and Semih Yavuz},
  journal={arXiv preprint arXiv:2507.04590},
  year={2025}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
e39ff07

0 моделей