/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
colpali_engine
Опубликована
15 мар 2026

colqwen3.5-4.5B-v3

Языковая модельИзображение, текст → embedding6 профессий

Мультиязычная модель на базе Qwen3.5-4B для поиска по изображениям страниц документов с помощью многовекторных представлений и позднего взаимодействия ColBERT.

7 060скачиваний за 30 дней17лайковвеса обновлены21 авг 2026

Бенчмарки

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

Публичные оценки21

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

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,6417

    Общий результат 0,5984Общий результат 0,5887
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval.v2

    main_score

    Результат

    0,627

    Общий результат 0,6416Общий результат 0,6279Общий результат 0,6213
    MTEB

    Публичная таблицадругая ревизия

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,9592

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PhysicsRetrieval.v2

    main_score

    Результат

    0,5095

    Общий результат 0,5037Общий результат 0,4927
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,7802

    Общий результат 0,7973Общий результат 0,7883Общий результат 0,7817
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,5474

    Общий результат 0,5934Общий результат 0,5465Общий результат 0,5402
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,6414

    Общий результат 0,6384
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,6618

    Общий результат 0,6724
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PharmaceuticalsRetrieval.v2

    main_score

    Результат

    0,6588

    Общий результат 0,6529Общий результат 0,6408
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval.v2

    main_score

    Результат

    0,5464

    Общий результат 0,5499Общий результат 0,5416
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,6381

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceFrRetrieval.v2

    main_score

    Результат

    0,4913

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3TelecomRetrieval

    main_score

    Результат

    0,6853

    Общий результат 0,6956Общий результат 0,683Общий результат 0,6812
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3NuclearRetrieval

    main_score

    Результат

    0,539

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3HrRetrieval

    main_score

    Результат

    0,6143

    Общий результат 0,662Общий результат 0,6174Общий результат 0,6072
    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    1

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3HrRetrieval.v2

    main_score

    Результат

    0,6058

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval.v2

    main_score

    Результат

    0,7854

    Общий результат 0,7814
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,4912

    Общий результат 0,4812
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval.v2

    main_score

    Результат

    0,684

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,5905

    Общий результат 0,5778
    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ColQwen3.5-4.5B-v3 — модель визуального поиска по документам, разработанная автором репозитория athrael-soju на основе Qwen3.5-4B. Она кодирует изображения страниц и текстовые запросы в многовекторные представления и сопоставляет их с помощью позднего взаимодействия в стиле ColBERT; предназначена для построения поисковых систем по PDF и другим документам с графиками, таблицами и сложной вёрсткой.

Модель содержит около 4,5 млрд параметров, использует архитектуру ColQwen3_5 и обученную проекционную голову размерности 320, веса представлены в BF16. В README заявлена поддержка пяти языков: английского, французского, немецкого, испанского и китайского. Обучение включало примерно 776 тысяч пар из наборов для визуального поиска по документам, в том числе финансовых документов и таблиц. Для запуска требуются transformers версии 5.2.0 или новее; при переходе со старой версии необходимо заново кодировать документы, поскольку представления отличаются.

По результатам, приведённым в карточке, модель входила в число сильных моделей класса 4B на ViDoRe, но уступала более крупным моделям и некоторым сопоставимым решениям на части бенчмарков; особенно слабой областью названы задачи V2 по ESG и экономике. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск релевантных страниц в коллекции PDF по текстовому запросу
  • поиск ответов в финансовых отчётах и документах с таблицами
  • построение мультиязычного визуального поиска по документам
  • индексация страниц документов для последующего семантического поиска

Ограничения

Уступает Nemotron 8B на большинстве задач ViDoRe V3 и отстаёт по среднему результату от более поздних моделей класса 4B; слабее всего показала себя на задачах V2 по ESG и экономике. Требует transformers>=5.2.0, а индексы, созданные старой версией, нужно перекодировать.

Для каких профессий подходит6

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

ColQwen3.5-4.5B-v3

A visual document retrieval model using ColBERT-style late interaction with Qwen3.5-4B.

4.5B parameters | 128-dim embeddings | LoRA (r=16, alpha=64) | BF16

Note on embed dim. Projection head is 320-dim (trained). config.json sets dim: 320 (read by ColQwen3_5) with embed_dim: 320 as a synonym for cross-ecosystem tools, so ColQwen3_5.from_pretrained(...) loads correctly by default. Leaderboard columns showing 128 reflect the colpali-engine class default (self.dim = getattr(config, "dim", 128)) and not the actual output dim.

Design Philosophy

V3 builds on V2 with automated hyperparameter search and evolutionary model soup merging. The search identified an optimal LoRA config (r=16, alpha=64) with cosine scheduling, and the final checkpoint is a per-layer evolutionary merge with V2. The result is a +0.0219 improvement over V2 across benchmarks.

Benchmark Results

ViDoRe V3 (nDCG@10)

Rankings on the live ViDoRe V3 leaderboard drift as new submissions land. At release, v3 held #3 overall; figures below were captured on 2026-04-20, where v3 sits at #6 on Mean (Task) and remains top-3 among 4B-class models.

RankModelMemory (MB)Params (B)Embed DimMax TokensMean (Task)Mean (Public)Mean (Private)
1nemotron-colembed-vl-8b-v2167228.7409626214463.4263.5462.92
2webAI-ColVec1-9b—9.42256026214463.0064.4557.20
3webAI-ColVec1-4b—4.54164026214462.2263.3957.55
4tomoro-colqwen3-embed-8b167248.032026214461.5961.6061.56
5nemotron-colembed-vl-4b-v292064.8256026214461.5461.4262.04
6colqwen3.5-4.5B-v386604.612826214461.4661.5661.06
7Ops-Colqwen3-4B92064.825603276861.1761.2760.78
8tomoro-colqwen3-embed-4b84664.032026214460.2060.1660.33
9llama-nemotron-colembed-vl-3b-v284034.4073072819259.7959.7060.16
10jina-embeddings-v475003.93520483276857.5257.5457.41

ViDoRe V1+V2 (nDCG@5)

RankModelArxivQADocVQAInfoVQAShiftProjSynAISynEnergySynGovSynHealthTabfquadTatdqaBioMedESGHLESGEconAvg
1Ops-Colqwen3-4B91.866.594.090.899.697.398.099.693.682.465.578.666.064.584.9
2nemotron-colembed-vl-8b-v293.168.194.693.3100.097.998.999.697.783.466.273.260.660.884.8
3nemotron-colembed-vl-4b-v292.067.493.392.399.396.298.098.598.181.264.371.461.560.883.9
4colqwen3.5-4.5B-v391.966.693.690.2100.097.197.398.995.984.065.373.858.059.983.7
5llama-nemotron-colembed-vl-3b-v290.467.294.792.0100.098.098.098.997.381.063.273.158.658.683.6
6tomoro-colqwen3-embed-8b91.266.494.587.999.396.797.699.194.280.965.576.060.759.583.5
7EvoQwen2.5-VL-Retriever-7B-v191.565.194.188.899.696.696.398.993.682.365.277.059.759.183.4
8tomoro-colqwen3-embed-4b90.666.394.387.499.396.997.299.694.379.965.474.662.456.383.2
9llama-nemoretriever-colembed-3b-v188.466.294.990.799.696.697.899.395.980.662.775.457.457.883.1
10SauerkrautLM-ColQwen3-8b-v0.193.864.794.590.498.696.596.899.392.284.063.370.857.958.082.9

Limitations

  • Trails Nemotron 8B on most V3 tasks (1.9 points gap on Mean Task)
  • V1+V2 average slightly below Ops-ColQwen3 and Nemotron variants
  • V2 is the weakest benchmark area (ESG, Econ)
  • Larger 4B+ submissions (webAI-ColVec1-4b/9b) released after v3 now lead overall Mean (Task); v3 remains top-3 among 4B-class models

Usage

[!NOTE] This model requires transformers>=5.2.0. If you built an index with an older setup, re-encode your documents: older versions ran the model with causal attention, so the embeddings differ.

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("athrael-soju/colqwen3.5-4.5B-v3")

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([23, 320]) torch.Size([755, 320])

# Diagonal should have higher scores
scores = model.similarity(query_embeddings, image_embeddings)
print(scores)
# tensor([[17.4434, 10.4502],
#         [ 5.0303, 13.8125]], device='cuda:0')

ColPali Engine

import torch
from PIL import Image
from colpali_engine.models import ColQwen3_5, ColQwen3_5Processor

model = ColQwen3_5.from_pretrained(
    "athrael-soju/colqwen3.5-4.5B-v3",
    torch_dtype=torch.bfloat16,
    device_map="cuda",
    attn_implementation="sdpa",
)
processor = ColQwen3_5Processor.from_pretrained("athrael-soju/colqwen3.5-4.5B-v3")

# Embed document images
images = [Image.open("page1.png"), Image.open("page2.png")]
batch = processor.process_images(images).to(model.device)
with torch.no_grad():
    doc_embeddings = model(**batch)

# Embed queries
queries = ["What is the revenue for Q4?", "Show me the organizational chart"]
batch = processor.process_queries(queries).to(model.device)
with torch.no_grad():
    model.rope_deltas = None
    query_embeddings = model(**batch)

# Score with MaxSim
scores = processor.score(query_embeddings, doc_embeddings)

Training

Pipeline

  1. Hyperparameter search: multi-objective optimization across V1+V3, found optimal LoRA config
  2. Full training: 3 seeds (42, 123, 456) with optimized hyperparameters, 1 epoch
  3. Seed merge: full state dict averaging (3 seeds into 1)
  4. Model soup: per-layer evolutionary merge with V2

Training Data (~776K pairs)

  • vidore/colpali_train_set: 127K
  • openbmb/VisRAG-Ret-Train-Synthetic-data: 239K
  • openbmb/VisRAG-Ret-Train-In-domain-data: 123K
  • llamaindex/vdr-multilingual-train: ~270K (5 languages)
  • vidore/tatdqa_train: ~13K (finance)
  • Metric-AI/tabfquad_train_set: ~1.5K (tables)

Hyperparameters

ParameterValue
LoRA r16
LoRA alpha64 (alpha/r = 4.0)
LR4.57e-5
Schedulercosine
Dropout0.197
Warmup8%
Weight decay0.02
Batch size32
Hard negatives2/sample
Seeds42, 123, 456

Technical Notes

  • PEFT's add_weighted_adapter is broken for ColQwen3.5 (both DARE-TIES and linear). Use full state dict averaging for seed merging.
  • Model soup done via direct state dict interpolation with per-layer optimized weights.
  • B200/Blackwell GPUs require Conv3d to F.linear monkey-patch.
  • Always clear rope_deltas before forward passes with hard negatives.

Transparency

The complete evaluation trail from V1, V2, and V3 development is available at athrael-soju/colqwen-optimization-trail. This includes every intermediate evaluation showing which candidates were tried, what scores they got, and which were selected for publication. All selection decisions were evaluated against the same public ViDoRe benchmarks used for final reporting.

Archived Versions (V1 and V2)

V1 and V2 model snapshots have been consolidated into this repository to reduce sprawl and preserve provenance. Full contents of the previously-separate colqwen3.5-4.5B-v1 and colqwen3.5-4.5B-v2 repositories are available here under:

  • v1/ — complete V1 snapshot (weights, model card, tokenizer, configs)
  • v2/ — complete V2 snapshot (weights, model card, tokenizer, configs)

Each subfolder contains the full original file set (model.safetensors, README.md, config.json, chat_template.jinja, processor_config.json, tokenizer.json, tokenizer_config.json).

To load an archived version:

from colpali_engine.models import ColQwen3_5, ColQwen3_5Processor
# V1
model = ColQwen3_5.from_pretrained("athrael-soju/colqwen3.5-4.5B-v3", subfolder="v1", ...)
processor = ColQwen3_5Processor.from_pretrained("athrael-soju/colqwen3.5-4.5B-v3", subfolder="v1")
# V2
model = ColQwen3_5.from_pretrained("athrael-soju/colqwen3.5-4.5B-v3", subfolder="v2", ...)

The top-level files remain the V3 model — the recommended version for production use.

Citation

@misc{colqwen35v3,
  title={ColQwen3.5-v3: Visual Document Retrieval with Evolutionary Model Soups},
  author={athrael-soju},
  year={2026},
  url={https://huggingface.co/athrael-soju/colqwen3.5-4.5B-v3}
}

License

Apache 2.0

Как запустить

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

GPU в ailist

Универсальный рантайм · colpali_engine

Нельзя запустить

Поиск по документам-картинкам пока не поддерживается.

Класс архитектуры
ColQwen3_5
Ревизия весов
c4ea4b9

0 моделей