/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-Embedding-2B
Библиотека
sentence-transformers
Опубликована
26 апр 2026

ko-vdr-preview

ЭмбеддингиТекст → embedding4 профессии

Мультимодальная модель для поиска изображений страниц корейских и англоязычных документов по текстовым запросам с помощью эмбеддингов.

19скачиваний за 30 дней6лайковвеса обновлены26 апр 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

ko-vdr-preview — дообученная с помощью LoRA мультимодальная модель johnandru на базе Qwen/Qwen3-VL-Embedding-2B. Она предназначена для поиска страниц визуальных документов по текстовому запросу: преобразует запросы и изображения страниц в эмбеддинги, по которым можно вычислять сходство и ранжировать документы. Модель обучена на смешанном корейском и английском корпусе пар «запрос — страница» с трудными отрицательными примерами и поддерживает Matryoshka-эмбеддинги размерностью от 128 до 2048; размерность по умолчанию — 2048.

В README приведены результаты оценки на шести задачах мультимодального поиска: средний nDCG@10 составляет 0,4845 против 0,3533 у исходной модели 2B и 0,5013 у модели 8B. Эти результаты относятся к указанным тестовым наборам, поэтому качество на других типах документов может отличаться. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск страницы корейского документа по вопросу на корейском языке
  • поиск изображения страницы англоязычного документа по текстовому запросу
  • ранжирование страниц документов по релевантности запросу
  • поиск страниц в коллекции визуальных документов о кибербезопасности
  • поиск страниц в наборах документов об экономике, энергетике и HR

Ограничения

Заявленные показатели получены на шести тестовых задачах поиска визуальных документов и не гарантируют аналогичное качество на других наборах. README описывает поиск текста по изображениям страниц; поддержку поиска изображений по запросу не заявляет.

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

ko-vdr-preview

Korean visual document retrieval — 6 MTEB multimodal tasks (text→image).

A LoRA fine-tune of Qwen/Qwen3-VL-Embedding-2B trained on a mixed Korean/English VDR corpus with hard negatives mined by Qwen3-VL-Embedding-8B. Supports Matryoshka embeddings down to 128 dimensions (default: 2048).

Summary of Findings

  • Significant Improvement over 2B: ko-vdr-preview shows a massive performance uplift compared to the Qwen3-VL-2B baseline (e.g., ~0.48 vs ~0.35 avg nDCG@10).
  • Closing the Gap with 8B: The model's performance is remarkably close to the Qwen3-VL-8B model, offering near-state-of-the-art accuracy with much greater efficiency.

Usage

Install Dependencies

pip install -U sentence-transformers>=5.4.1
### Python code
Then you can load this model and run inference.
```python
from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("johnandru/ko-vdr-preview")

# Run inference
queries = [
    '30인 이상 상용근로자를 보유한 기업의 1인당 평균 월별 법정외 복지비용이 10~29인 규모 기업보다 높은지 판단해 주세요'
]
documents = [
    'ko-vdr-public/3818.png',
    'ko-vdr-public/7753.png',
    'ko-vdr-public/3760.png'
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 2048] [3, 2048]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)

Matryoshka truncation

The model supports shortened embeddings via Matryoshka training. Supported dimensions: 2048, 1536, 1024, 768, 512, 256, 128 model = SentenceTransformer("johnandru/ko-vdr-preview", truncate_dim=512)

Model Details

PropertyValue
Base modelQwen/Qwen3-VL-Embedding-2B
Fine-tuning methodLoRA (r=32, alpha=32, no dropout)
LoRA target modulesq_proj, k_proj, v_proj, up_proj, down_proj, gate_proj
Embedding dimension2048 (Matryoshka: 1536 / 1024 / 768 / 512 / 256 / 128)
Precisionbfloat16
AttentionFlash Attention 2
Max image pixels1280 × 28 × 28
Frameworksentence-transformers==5.4.1, peft>=0.19.1

Training

Data

Training used a multi-source Korean/English VDR dataset with hard negatives mined offline:

SourceLanguageType
NomaDamas/ko-vdr-train-public-v2.0KoreanQuery–page pairs
whybe-choi/ko-vdr-train-private-v0.1KoreanQuery–page pairs
vidore/colpali_train_setEnglishQuery–page pairs
tomaarsen/llamaindex-vdr-en-train-preprocessedEnglishQuery–page pairs
Ko/En text retrieval corpusKorean + EnglishText pairs

Hard negatives were mined with Qwen/Qwen3-VL-Embedding-8B using absolute_margin=0.05 and 7 negatives per pair (top sampling).

Loss

MatryoshkaLoss(SelfGuideCachedMultipleNegativesRankingLoss): InfoNCE with cosine similarity (scale=20), cached mini-batches (mini_batch_size=4), and Matryoshka multi-granularity weighting.

Evaluation

Task abbreviations

ShortMTEB task
SDS-T2ITSDSKoPubVDRT2ITRetrieval
SDS-T2ISDSKoPubVDRT2IRetrieval
KV-CyberKoVidore2CybersecurityRetrieval
KV-EconKoVidore2EconomicRetrieval
KV-EnergyKoVidore2EnergyRetrieval
KV-HrKoVidore2HrRetrieval

Results - nDCG@10

rankmodel_nameSDS-T2IT_nDCG@10SDS-T2I_nDCG@10KV-Cyber_nDCG@10KV-Econ_nDCG@10KV-Energy_nDCG@10KV-Hr_nDCG@10avg_nDCG@10
1Qwen/Qwen3-VL-Embedding-8B0.69990.61360.68570.20080.54150.26610.5013
2(Ours) johnandru/ko-vdr-preview0.67320.56230.65400.21390.50610.29750.4845
3Qwen/Qwen3-VL-Embedding-2B0.66050.29230.53590.12460.35650.14980.3533

Results - Recall@10

rankmodel_nameSDS-T2IT_Recall@10SDS-T2I_Recall@10KV-Cyber_Recall@10KV-Econ_Recall@10KV-Energy_Recall@10KV-Hr_Recall@10avg_Recall@10
1Qwen/Qwen3-VL-Embedding-8B0.90330.78170.75270.29750.60590.34330.6141
2(Ours) johnandru/ko-vdr-preview0.85330.75000.75380.28680.59400.38470.6038
3Qwen/Qwen3-VL-Embedding-2B0.86500.43170.60120.18580.41660.19620.4494

Notes

  • All Qwen3-VL-Embedding family models loaded with max_pixels = 1280 * 28 * 28, bf16, flash-attention-2.
  • Prompt usage:
    • Qwen3-VL-Embedding 2B / 8B and our LoRA fine-tune: training prompt "Represent the user's input." (matches train.py).
  • LoRA fine-tune used peft 0.19.1 workaround in loader.py to inject lora_B weights (transformers 5.5.4 silently dropped them on from_pretrained for headless models — see PR huggingface/transformers#45428).

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
8c92c48

0 моделей