/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
11,9 ГБ
Лицензия
Apache 2.0
Архитектура
granitevisionemb · dense
Базовая модель
granite-vision-3.3-2b
Библиотека
transformers
Опубликована
3 июн 2025

granite-vision-3.3-2b-embedding

ЭмбеддингиТекст → embedding7 профессий

Мультимодальная модель IBM создаёт многовекторные представления страниц для поиска по сложным документам и построения RAG-систем.

560скачиваний за 30 дней29лайковвеса обновлены16 авг 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 «Эмбеддинги» — 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 оценки14

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

  • VidoreInfoVQARetrieval

    main_score

    Результат

    0,8967

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2BioMedicalLecturesRetrieval

    main_score

    Результат

    0,5615

    Общий результат 0,6157Общий результат 0,5421Общий результат 0,5071
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2EconomicsReportsRetrieval

    main_score

    Результат

    0,4432

    Общий результат 0,5776Общий результат 0,527Общий результат 0,4886
    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsHLRetrieval

    main_score

    Результат

    0,6524

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAGovernmentReportsRetrieval

    main_score

    Результат

    0,9729

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAEnergyRetrieval

    main_score

    Результат

    0,9626

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAAIRetrieval

    main_score

    Результат

    0,9889

    MTEB

    Публичная таблицадругая ревизия

  • VidoreSyntheticDocQAHealthcareIndustryRetrieval

    main_score

    Результат

    0,9889

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTabfquadRetrieval

    main_score

    Результат

    0,8865

    MTEB

    Публичная таблицадругая ревизия

  • Vidore2ESGReportsRetrieval

    main_score

    Результат

    0,5655

    Общий результат 0,582Общий результат 0,5808Общий результат 0,5065
    MTEB

    Публичная таблицадругая ревизия

  • VidoreDocVQARetrieval

    main_score

    Результат

    0,546

    MTEB

    Публичная таблицадругая ревизия

  • VidoreTatdqaRetrieval

    main_score

    Результат

    0,6794

    MTEB

    Публичная таблицадругая ревизия

  • VidoreShiftProjectRetrieval

    main_score

    Результат

    0,8392

    MTEB

    Публичная таблицадругая ревизия

  • VidoreArxivQARetrieval

    main_score

    Результат

    0,8422

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Granite Vision 3.3 2B Embedding — мультимодальная модель эмбеддингов IBM, дообученная на базе ibm-granite/granite-vision-3.3-2b для поиска по визуальным и текстовым данным в документах. Она предназначена для извлечения релевантных страниц в RAG-системах, в том числе по таблицам, графикам, инфографике и сложной вёрстке. Модель принимает изображения PNG и JPEG и инструкции на английском языке, формируя 729 векторов размерности 128 на изображение. Поиск использует многовекторное представление ColBERT и позднее взаимодействие MaxSim; отдельное OCR-извлечение текста не требуется.

Модель подходит для корпоративного поиска по отчётам, презентациям, руководствам, изображениям и другим документам, как самостоятельно, так и в сочетании с текстовым поисковиком. В README приведены результаты сравнений на наборах ViDoRe V2 и REAL-MM-RAG, но они не гарантируют качество на конкретных данных. Модель выпущена IBM 11 июня 2025 года и распространяется по лицензии Apache 2.0. Среди ограничений указаны возможные неточности и смещения; входные инструкции поддерживаются на английском языке.

Сценарии применения

  • поиск страниц по запросу в отчётах с таблицами и графиками
  • поиск по содержимому презентаций и инфографики
  • извлечение релевантных страниц из корпоративных руководств
  • построение мультимодального RAG по изображениям и документам
  • совместный поиск по визуальным документам и текстовой базе знаний

Ограничения

README указывает, что инструкции принимаются на английском языке и что результаты могут содержать неточности или смещения. Поддерживаемый формат изображений ограничен PNG и JPEG.

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

granite-vision-3.3-2b-embedding

Model Summary: Granite-vision-3.3-2b-embedding is an efficient embedding model based on granite-vision-3.3-2b. This model is specifically designed for multimodal document retrieval, enabling queries on documents with tables, charts, infographics, and complex layouts. The model generates ColBERT-style multi-vector representations of pages. By removing the need for OCR-based text extractions, granite-vision-3.3-2b-embedding can help simplify and accelerate RAG pipelines.

Evaluations: We evaluated granite-vision-3.3-2b-embedding alongside other top colBERT style multi-modal embedding models in the 1B-4B parameter range using two benchmark: Vidore2 and Real-MM-RAG-Bench which aim to specifically address complex multimodal document retrieval tasks.

NDCG@5 - ViDoRe V2

Collection \ ModelColPali-v1.3ColQwen2.5-v0.2ColNomic-3bColSmolvlm-v0.1granite-vision-3.3-2b-embedding
ESG Restaurant Human51.168.465.862.465.3
Economics Macro Multilingual49.956.555.447.451.2
MIT Biomedical59.763.663.558.161.5
ESG Restaurant Synthetic57.057.456.651.156.6
ESG Restaurant Synthetic Multilingual55.757.457.247.655.7
MIT Biomedical Multilingual56.561.162.550.555.5
Economics Macro51.659.860.260.958.3
Avg (ViDoRe2)54.560.660.254.057.7

NDCG@5 - REAL-MM-RAG

Collection \ ModelColPali-v1.3ColQwen2.5-v0.2ColNomic-3bColSmolvlm-v0.1granite-vision-3.3-2b-embedding
FinReport5566786573
FinSlides6879815579
TechReport7886888387
TechSlides9093929193
Avg (REAL-MM-RAG)7381857483
  • Release Date: June 11th 2025
  • License: Apache 2.0
  • Supported Input Format: Currently the model supports English instructions and images (png, jpeg) as input format.

Intended Use: The model is intended to be used in enterprise applications that involve retrieval of visual and text data. In particular, the model is well-suited for multi-modal RAG systems where the knowledge base is composed of complex enterprise documents, such as reports, slides, images, canned doscuments, manuals and more. The model can be used as a standalone retriever, or alongside a text-based retriever.

Usage

pip install -q torch torchvision torchaudio
pip install transformers==4.50

Then run the code:

from io import BytesIO

import requests
import torch
from PIL import Image
from transformers import AutoProcessor, AutoModel
from transformers.utils.import_utils import is_flash_attn_2_available

device = "cuda" if torch.cuda.is_available() else "cpu"
model_name = "ibm-granite/granite-vision-3.3-2b-embedding"
model = AutoModel.from_pretrained(
                      model_name,
                      trust_remote_code=True,
                      torch_dtype=torch.float16,
                      device_map=device,
                      attn_implementation="flash_attention_2" if is_flash_attn_2_available() else None
                      ).eval()
processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)

# ─────────────────────────────────────────────
# Inputs: Image + Text
# ─────────────────────────────────────────────
image_url = "https://huggingface.co/datasets/mishig/sample_images/resolve/main/tiger.jpg"
print("\nFetching image...")
image = Image.open(BytesIO(requests.get(image_url).content)).convert("RGB")

text = "A photo of a tiger"
print(f"Image and text inputs ready.")

# Process both inputs
print("Processing inputs...")
image_inputs = processor.process_images([image])
text_inputs = processor.process_queries([text])

# Move to correct device
image_inputs = {k: v.to(device) for k, v in image_inputs.items()}
text_inputs = {k: v.to(device) for k, v in text_inputs.items()}

# ─────────────────────────────────────────────
# Run Inference
# ─────────────────────────────────────────────
with torch.no_grad():
    print("🔍 Getting image embedding...")
    img_emb = model(**image_inputs)

    print("✍️ Getting text embedding...")
    txt_emb = model(**text_inputs)

# ─────────────────────────────────────────────
# Score the similarity
# ─────────────────────────────────────────────
print("Scoring similarity...")
similarity = processor.score(txt_emb, img_emb, batch_size=1, device=device)

print("\n" + "=" * 50)
print(f"📊 Similarity between image and text: {similarity.item():.4f}")
print("=" * 50)

Use granite-vision-embedding-3.3-2b for MM RAG

For an example of MM-RAG using granite-vision-3.3-2b-embedding refer to this notebook.

Model Architecture: The architecture of granite-vision-3.3-2b-embedding follows ColPali(https://arxiv.org/abs/2407.01449) approach and consists of the following components:

(1) Vision-Language model : granite-vision-3.3-2b (https://huggingface.co/ibm-granite/granite-vision-3.3-2b).

(2) Projection layer: linear layer that projects the hidden layer dimension of Vision-Language model to 128 and outputs 729 embedding vectors per image.

The scoring is computed using MaxSim-based late interaction mechanism.

Training Data: Our training data is entirly comprised from DocFM. DocFM is a large-scale comprehensive dataset effort at IBM consisting of 85 million document pages extracted from unique PDF documents sourced from Common Crawl, Wikipedia, and ESG (Environmental, Social, and Governance) reports.

Infrastructure: We train granite-vision-3.3-2b-embedding on IBM’s cognitive computing cluster, which is outfitted with NVIDIA A100 GPUs.

Ethical Considerations and Limitations: The use of Large Vision and Language Models involves risks and ethical considerations people must be aware of, including but not limited to: bias and fairness, misinformation, and autonomous decision-making. Granite-vision-3.3-2b-embedding is not the exception in this regard. Although our alignment processes include safety considerations, the model may in some cases produce inaccurate or biased responses. Regarding ethics, a latent risk associated with all Large Language Models is their malicious utilization. We urge the community to use granite-vision-3.3-2b-embedding with ethical intentions and in a responsible way.

Resources

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
GraniteVisionEmb
Ревизия весов
baa53d1

0 моделей