/ Модель

Характеристики

Контекст
32 768 токенов
Лицензия
MIT
Архитектура
ultravbert · dense
Базовая модель
UltraVBERT
Библиотека
sentence-transformers
Опубликована
15 окт 2026

ColUltraVBERT

ЭмбеддингиТекст → embedding

ColUltraVBERT — мультимодальный ретривер для поиска релевантных страниц визуальных документов по текстовому запросу.

130скачиваний за 30 дней1лайквеса обновлены18 окт 2026

Бенчмарки

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

Публичные оценки19

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

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,3453

    Общий результат 0,3997Общий результат 0,3199Общий результат 0,2693
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,2997

    Общий результат 0,5345Общий результат 0,3796Общий результат 0,3251
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,3884

    Общий результат 0,3945Общий результат 0,3845Общий результат 0,3162
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,6471

    Общий результат 0,7385Общий результат 0,6744Общий результат 0,663
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,4608

    Общий результат 0,497Общий результат 0,4798
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,9789

    MTEB

    Публичная таблицадругая ревизия

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,8008

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,5877

    Общий результат 0,5532Общий результат 0,5395
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,6297

    Общий результат 0,5286Общий результат 0,5263Общий результат 0,5095
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAGovernmentReportsRetrieval

    main_score

    Результат

    0,9509

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3HrRetrieval

    main_score

    Результат

    0,5081

    Общий результат 0,6179Общий результат 0,5176Общий результат 0,5009
    MTEB

    Публичная таблицадругая ревизия

  • VidoreInfoVQARetrieval

    main_score

    Результат

    0,8951

    MTEB

    Публичная таблицадругая ревизия

  • VidoreDocVQARetrieval

    main_score

    Результат

    0,5772

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,9251

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,4932

    Общий результат 0,5095Общий результат 0,4451
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,5721

    Общий результат 0,5689Общий результат 0,5648Общий результат 0,5424
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,9571

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,751

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,5282

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ColUltraVBERT — мультимодальная модель поиска по визуальным документам, разработанная athrael-soju как дообученная версия UltraVBERT. Это ретривер с поздним взаимодействием: он строит 768-мерные векторы для токенов запроса и страницы, а релевантность оценивает с помощью MaxSim. Обученные префиксы размерностью 128, 256, 320 или 512 позволяют создавать более компактные индексы.

Модель предназначена для поиска страниц документов по текстовым запросам в сценариях визуального поиска и извлечения информации. Обработчик масштабирует страницу до 3072 пикселей по длинной стороне, разбивает её максимум на 27 плиток и добавляет уменьшенную копию страницы; на выходе получается до 1792 векторов на страницу. Модель содержит 255 млн параметров и использует архитектуру UltraVBERT с визуальным кодировщиком. В карточке указана поддержка английского, испанского, немецкого, французского, итальянского и португальского языков.

В README приведены результаты оценки на наборах ViDoRe и сравнение с ColModernVBERT. Большой объём векторов повышает требования к индексу: для страницы может потребоваться до 2,6 МиБ в bf16 при размерности 768. Для работы указаны sentence-transformers версии не ниже 6.1 и transformers версии не ниже 5.20. Лицензия — MIT.

Сценарии применения

  • поиск страниц в документах по текстовому запросу
  • поиск ответов в сканах и визуально сложных документах
  • построение мультиязычного индекса отчётов и научных материалов
  • сопоставление запросов со страницами документов для RAG-систем
  • создание компактных индексов страниц с векторами уменьшенной размерности

Ограничения

Для одной страницы может формироваться до 1792 векторов, что увеличивает размер индекса; при размерности 768 он достигает 2,6 МиБ на страницу в bf16. Указанные языки — английский, испанский, немецкий, французский, итальянский и португальский.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ColUltraVBERT

ColUltraVBERT is a 255M-parameter late-interaction retriever for visual documents, fine-tuned from UltraVBERT. It encodes every query token and every page token as a 768-d vector and scores a page against a query with MaxSim. The first 128, 256, 320 or 512 dimensions of each vector form a smaller index. Try it in the ColUltraVBERT Space.

Models

Data

Usage

Requires sentence-transformers>=6.1 and transformers>=5.20.

from PIL import Image
from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder("athrael-soju/ColUltraVBERT", trust_remote_code=True)

pages = [Image.open("page1.png"), Image.open("page2.png")]
queries = ["What was the 2023 revenue?", "Which table lists regional margins?"]

page_embeddings = model.encode_document(pages)
query_embeddings = model.encode_query(queries)

# One row per query, one column per page.
scores = model.similarity(query_embeddings, page_embeddings)

For a smaller index, keep the first 128, 256, 320 or 512 dimensions of every vector and L2-normalize them again; the tables below score each size.

Model

A learned linear layer maps each 768-d token state from UltraVBERT to a 768-d retrieval vector, trained with Matryoshka prefixes so the first 128, 256, 320 and 512 dimensions also work on their own. Each token vector is L2-normalized and padding tokens are dropped. The image processor resizes a page to a 3,072 px longest edge and splits it into up to 27 tiles of 512 px plus a downscaled copy of the whole page, so a page yields at most 1,792 image-token vectors.

Training

Four fine-tunes of UltraVBERT on VDR Train 500k, differing in hard negatives, distillation and seed, are merged layer by layer into the released weights. Each fine-tune trains LoRA adapters (rank 32) on the text encoder and the output projection for one epoch at batch 256; the vision encoder and connector stay frozen and shared.

ViDoRe

Scores from MTEB 2.26.3, in bf16 with SDPA attention, at 768 dimensions. A task with several language splits reports their mean. ColModernVBERT's scores are its published MTEB results.

ViDoRe V1 (nDCG@5)ColModernVBERTColUltraVBERT
ArxivQA73.280.3
DocVQA55.657.7
InfoVQA86.489.5
TabFQuAD74.892.5
TAT-DQA73.175.1
ShiftProject60.481.3
SyntheticDocQA AI97.999.6
SyntheticDocQA Energy93.395.3
SyntheticDocQA Government Reports92.395.1
SyntheticDocQA Healthcare Industry95.397.9
Mean80.286.4
ViDoRe V2 (nDCG@5)ColModernVBERTColUltraVBERT
ESG Reports40.149.7
Economics Reports29.251.5
BioMedical Lectures31.154.3
ESG Reports HL52.263.6
Mean38.254.8
ViDoRe V3 (nDCG@10)ColModernVBERTColUltraVBERT
Computer Science37.666.5
Energy32.551.9
Finance EN28.853.4
Finance FR19.833.3
HR19.851.2
Industrial15.737.7
Pharmaceuticals32.257.6
Physics22.637.9
Mean26.148.7

Smaller indexes

Means at each vector size and page budget over the same ViDoRe tasks, scored on cached page features, which agree with MTEB within 0.0035 nDCG per task. The 2,048 px, 16-tile budget sets size.longest_edge to 2048 and max_image_tiles to 16 in processor_config.json and caps a page at 1,088 vectors.

Vector sizePagesV1V2V3
7683,072 px, 27 tiles86.454.848.7
5123,072 px, 27 tiles86.354.348.4
3203,072 px, 27 tiles86.054.248.2
2563,072 px, 27 tiles86.054.348.0
1283,072 px, 27 tiles85.754.346.8
7682,048 px, 16 tiles86.353.347.6
5122,048 px, 16 tiles86.352.947.5
3202,048 px, 16 tiles86.452.447.2
2562,048 px, 16 tiles86.452.146.9
1282,048 px, 16 tiles85.652.645.9

Limits

  • A page yields up to 1,792 vectors, so a 768-d page index takes up to 2.6 MiB per page in bf16.

License

MIT. UltraBERT-150M and SigLIP2-B/16-512 are Apache-2.0; their license text is in LICENSE-APACHE.

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
ColUltraVBertForRetrieval
Ревизия весов
0869b8d

0 моделей