/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
samer · dense
Базовая модель
colqwen2-v1.0-hf
Библиотека
transformers
Опубликована
8 июл 2026

samer-k64-colqwen2

Языковая модельИзображение, текст → embedding7 профессий

Адаптер SaMer для ColQwen2 сжимает визуальные токены и помогает находить релевантные страницы документов по текстовым запросам.

28скачиваний за 30 дней0лайковвеса обновлены9 июл 2026

Бенчмарки

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

Публичные оценки

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

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SaMer K64 ColQwen2 — адаптерный чекпойнт для визуального поиска по документам, разработанный авторами проекта SaMer. Он применяется к базовой модели vidore/colqwen2-v1.0-hf и объединяет визуальные токены в 64 пространственно-осведомлённых мягких центроида, сохраняя признаки объектов, важные для поиска. При выводе использует проекционный слой и пользовательскую обёртку с trust_remote_code; веса базовой модели в репозитории не распространяются и загружаются отдельно.

Модель предназначена для поиска релевантных страниц документов, включая PDF, по текстовым запросам. Обучение адаптера использовало только функцию потерь для retrieval; конфигурация включает три итерации кластеризации, пространственный вес 0,1 и температуру назначения 0,07. Репозиторий содержит веса в формате safetensors. Лицензия адаптера — Apache-2.0; для базовой модели необходимо соблюдать её собственные условия использования.

Сценарии применения

  • поиск нужных страниц PDF по текстовому запросу
  • поиск релевантных страниц в коллекции визуальных документов
  • ускорение визуального поиска за счёт сжатия токенов

Ограничения

Для работы требуются базовая модель vidore/colqwen2-v1.0-hf и пользовательская обёртка с trust_remote_code; базовые веса не входят в репозиторий. Следует учитывать лицензию и условия использования базовой модели.

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

samer k64 colqwen2

This repository contains the adapter-only SaMer checkpoint for vidore/colqwen2-v1.0-hf. It does not redistribute the base model weights. The repository stores only the trained projection layer and custom trust_remote_code wrapper needed to apply SaMer feature-spatial object-aware token merging at inference time.

💻 Code: GitHub
🌐 Project Page: Page
📄 Paper: Do All Visual Tokens Matter Equally? Object-Evidence Preserving Token Merging for Vision-Language Retrieval

Usage

import torch
from transformers import AutoModel, AutoProcessor

model = AutoModel.from_pretrained(
    "dmis-lab/samer-k64-colqwen2",
    trust_remote_code=True,
).to("cuda").eval()

processor = AutoProcessor.from_pretrained(
    model.config.base_model_name_or_path,
    trust_remote_code=True,
)

# Build processor inputs with the same convention as the base model.
# image_inputs = processor(images=[image], return_tensors="pt").to("cuda")
# query_inputs = processor(text=["a query"], return_tensors="pt", padding=True).to("cuda")

# image_tokens = model.encode_image(image_inputs)          # [B, 64, D]
# query_tokens, query_mask = model.encode_query(query_inputs, return_mask=True)
# scores = model.score(query_tokens, image_tokens, query_mask=query_mask)

SaMer Configuration

  • num_regions: 64
  • cluster_iters: 3
  • spatial_weight: 0.1
  • assignment_temperature: 0.07
  • training objective: retrieval loss only
  • inference: bbox-free feature-spatial soft centroid merging

Base Model

The base model is loaded from vidore/colqwen2-v1.0-hf at runtime. Please follow the base model license and usage terms.

Citation

@misc{park2026visualtokensmatterequally,
      title={Do All Visual Tokens Matter Equally? Object-Evidence Preserving Token Merging for Vision-Language Retrieval},
      author={Suhyeong Park and Junha Jung and Jungwoo Park and Jaewoo Kang},
      year={2026},
      eprint={2607.04605},
      archivePrefix={arXiv},
      primaryClass={cs.IR},
      url={https://arxiv.org/abs/2607.04605},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Поиск по документам-картинкам пока не поддерживается.

Класс архитектуры
SaMerModel
Ревизия весов
1635b57

0 моделей