/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
18,1 ГБ
Лицензия
Apache 2.0
Архитектура
openlame · dense
Базовая модель
Qwen2-VL-7B-Instruct
Библиотека
transformers
Опубликована
11 июл 2026

LaME-7B

ЭмбеддингиТекст → embedding8 профессий

LaME-7B создаёт мультимодальные эмбеддинги для поиска и сопоставления текста, изображений, видео и визуальных документов.

14скачиваний за 30 дней1лайквеса обновлены11 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

LaME-7B — мультимодальная модель для получения эмбеддингов, разработанная на основе Qwen2-VL-7B-Instruct. Она использует восемь обучаемых токенов [REASON], обучение с совместной контрастивной и декодерной супервизией и проекцию размерности 3584; латентный декодер основан на Qwen3-0.6B.

Модель предназначена для поиска и сопоставления текста, изображений, видео и визуальных документов. README сообщает о высоких результатах на наборах MMEB-v2 и MRMR. Для запуска указаны Transformers и AutoModel/AutoProcessor; веса представлены в формате safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • поиск изображений по текстовому запросу
  • поиск видео по текстовому описанию
  • поиск визуальных документов по содержимому
  • сопоставление текстов и изображений
  • извлечение эмбеддингов для мультимодального поиска

Ограничения

README не приводит измерений качества вне упомянутых наборов MMEB-v2 и MRMR и отсылает за примерами запуска к репозиторию LaME.

Для каких профессий подходит8

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

LaME-7B

LaME (Learning to Think in Latent Space for Multimodal Embedding) model based on Qwen2-VL-7B-Instruct.

Model Description

LaME augments Qwen-VL with learnable [REASON] tokens and a latent decoder supervision, jointly optimizing generation and embedding through an information bottleneck. It produces both discriminative and generative multimodal embeddings for text, images, videos, and visual documents.

Without bells and whistles, LaME achieves state-of-the-art multimodal retrieval performance on MMEB-v2 (image / video / visual-document / full aggregate) and MRMR.

  • Backbone: Qwen2-VL-7B-Instruct
  • Latent Decoder: Qwen3-0.6B
  • Reason Tokens: 8 learnable [REASON] tokens
  • Projection Dim: 3584
  • Training Stage: 2 (joint contrastive + decoder-supervised)

Usage

See the LaME repository for inference and evaluation examples.

from transformers import AutoModel, AutoProcessor

model = AutoModel.from_pretrained("leafyseay/LaME-7B", trust_remote_code=True, torch_dtype="bfloat16").cuda()
processor = AutoProcessor.from_pretrained("leafyseay/LaME-7B", trust_remote_code=True)

Citation

@article{wu2026lame,
  title   = {LaME: Learning to Think in Latent Space for Multimodal Embedding via Information Bottleneck},
  author  = {Wu, Peixi and Yang, Biao and Ma, Feipeng and Chai, Bosong and Lin, Bo and Yuan, Wei and Yang, Fan and Gao, Tingting and Li, Hebei and Sun, Xiaoyan},
  journal = {arXiv preprint arXiv:2606.13061},
  year    = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура openlame неизвестна transformers в образе рантайма.

Класс архитектуры
LaMEMultimodal
Ревизия весов
80dcdad

0 моделей