/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Библиотека
sentence-transformers
Опубликована
8 июл 2026

Qwen3-VL-Embedding-2B-ko-vdr-distill

ЭмбеддингиТекст → embedding4 профессии

Корейская мультимодальная модель эмбеддингов для поиска изображений страниц документов по текстовым запросам.

26скачиваний за 30 дней1лайквеса обновлены8 июл 2026

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 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

Qwen3-VL-Embedding-2B-ko-vdr-distill — корейская мультимодальная bi-encoder-модель для поиска документов по изображениям страниц. Она основана на whybe-choi/Qwen3-VL-Embedding-2B-ko-vdr-preview-v0.2 и дополнительно обучена методом listwise KL-дистилляции по оценкам Qwen3-VL-Reranker-8B. Модель преобразует текстовый запрос и изображение страницы документа в эмбеддинги размерности 2048, которые можно сравнивать по косинусному сходству.

Модель предназначена для визуального поиска корейских документов и улучшения порядка результатов при ранжировании. В оценке на KoViDoRe-v2 в домене кибербезопасности она повысила MRR@10 с 0,8319 до 0,8775 и NDCG@10 с 0,7629 до 0,7718 относительно базовой версии; Recall@100 практически не изменился. Рекомендуются около 1800 визуальных токенов и отдельные промпты для запросов и документов.

Это экспериментальная версия: проверка пока ограничена одним доменом, а обучение дистилляции проводилось примерно на 980 визуальных токенах с общим промптом. Данные обучения включали корейские документы государственного сектора. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск страниц корейских документов по текстовому запросу
  • визуальный поиск по архиву корейских документов
  • сопоставление запроса с изображениями страниц PDF
  • ранжирование найденных страниц документов по релевантности

Ограничения

Оценка проведена только в одном домене — кибербезопасности; данные обучения охватывали корейские документы государственного сектора. Дистилляция обучалась примерно на 980 визуальных токенах с общим промптом, тогда как для инференса рекомендованы около 1800 токенов и специальные промпты.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-VL-Embedding-2B-ko-vdr-distill

A reranker-distilled Korean Visual Document Retrieval (VDR) bi-encoder.

This model takes whybe-choi/Qwen3-VL-Embedding-2B-ko-vdr-preview-v0.2 (a Qwen3-VL-Embedding-2B contrastively fine-tuned on Ko-VDR) and further trains it by listwise KL knowledge distillation from the Qwen3-VL-Reranker-8B cross-encoder teacher — transferring the reranker's graded relevance (instead of binary labels) into the 2B bi-encoder, which sharpens top-rank ordering.

Method (sequential CL → KD)

Following "Beyond Hard Negatives: The Importance of Score Distribution in Knowledge Distillation."

  • Teacher: Qwen/Qwen3-VL-Reranker-8B — scored {gold ∪ 128 mined candidates} (log-odds) for the 146,687 queries of NomaDamas/ko-vdr-train-public-v2.0.
  • Objective: listwise KL, KL( softmax(teacher/τ) ‖ softmax(student/τ) ), τ = 1.0.
    • Teacher scores are per-query max-subtract normalized (keeps the reranker's true score spread; min-max flattens it).
    • Student score = softmax(20 · cosine).
  • Negatives: 8 per query, stratified via quantile anchors over the teacher scores (spans easy→hard, not just the hardest).
  • Training: fresh LoRA (r = 32, α = 32) on a 50k-query subset, 1 epoch, lr 2e-5, bf16. No InfoNCE / no Matryoshka.

Evaluation (KoViDoRe-v2, cybersecurity)

At the recommended inference config (~1800 visual tokens + the prompts below):

metricbaseline (v0.2)distilled (this model)
NDCG@100.76290.7718
MRR@100.83190.8775
Recall@1000.98090.9778

Distillation improves ranking quality — the MRR@10 gain (+0.046) is consistent across resolution/prompt settings — while Recall@100 is essentially unchanged. (Single-domain evaluation so far.)

Recommended inference config

processor_kwargs = {"max_pixels": 1843200, "min_pixels": 4 * 28 * 28}  # ~1800 vision tokens
QUERY_PROMPT    = "Find a document image that matches the given query."
DOCUMENT_PROMPT = "Represent the user's input."

Usage

import torch
from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "johnandru/Qwen3-VL-Embedding-2B-ko-vdr-distill",
    model_kwargs={"attn_implementation": "flash_attention_2", "torch_dtype": torch.bfloat16},
    processor_kwargs={"max_pixels": 1843200, "min_pixels": 4 * 28 * 28},
)
if hasattr(model[0], "unpad_inputs"):
    model[0].unpad_inputs = False

q_emb = model.encode(["설계기준 강화 관련 문서"], prompt="Find a document image that matches the given query.")
d_emb = model.encode(["path/to/page.png"], prompt="Represent the user's input.")  # image path
sim = model.similarity(q_emb, d_emb)
  • Embedding dimension: 2048 · cosine similarity · bf16.
  • Modalities: text query ↔ document page image.

Notes & limitations

  • Preview / experimental. The distillation was trained at ~980 vision tokens with a generic prompt; a re-train at the recommended config (1800 tokens + the prompts above) would likely widen the gain further. Evaluation so far is single-domain.
  • Data: Korean public-sector documents (49 PDFs, synthetic queries via Solar Pro 3).

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLModel
Ревизия весов
97bd535

0 моделей