/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
8,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Опубликована
17 окт 2025

QwenAmann-4B-dse

Языковая модельИзображение, текст → embedding5 профессий

Мультимодальная модель на базе Qwen3-VL для создания эмбеддингов и мультиязычного поиска по изображениям технических документов.

24скачиваний за 30 дней15лайковвеса обновлены19 окт 2025

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

QwenAmann-4B-dse — мультимодальная модель на 4 млрд параметров, разработанная авторами из Racine.ai и TW3 Partners для поиска по технической документации. Она дообучена на базе Qwen/Qwen3-VL-4B-Instruct методом Document Screenshot Embedding и формирует эмбеддинги документов и запросов для семантического поиска и сопоставления по релевантности.

Модель принимает изображения страниц документов и учитывает текст, схемы, графики, таблицы и их расположение. Предварительно извлекать текст не требуется. Обучение проводилось на датасете racineai/OGC_MEGA_2: README сообщает о 1,44 млн примеров из более чем 35 языков и 15 технических областей; стабильные результаты отмечены на пяти языках. В метаданных перечислены английский, французский, русский, арабский, немецкий, испанский и итальянский.

Модель предназначена для мультиязычного поиска по техническим документам, инженерным архивам и системам поддержки. Она распространяется под лицензией Apache 2.0. README заявляет о сопоставимой с Jina Embeddings v4 производительности, но не приводит деталей протокола оценки; указанное в README число языков с устойчивыми результатами и метаданные о языках карточки различаются.

Сценарии применения

  • поиск технических документов по текстовому запросу
  • сопоставление вопросов пользователей с документацией на другом языке
  • индексация скриншотов страниц для семантического поиска
  • поиск по схемам, графикам и таблицам в технических отчётах
  • поиск технических спецификаций в инженерной базе знаний

Ограничения

Заявление о производительности, сопоставимой с Jina Embeddings v4, приведено без подробностей протокола оценки. README описывает устойчивые результаты на пяти языках, тогда как карточка перечисляет семь языков.

Для каких профессий подходит5

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

QwenAmann-4B-dse

A multimodal vision-language model specialized for multilingual technical document retrieval.

Overview

QwenAmann-4B-dse is a 4B parameter vision-language model designed for efficient retrieval of technical documentation. It directly encodes document screenshots into embeddings, preserving all information including text, images, and layout without requiring separate content extraction.

Racine QwenAmann

Performance

ENERGY Benchmark (racineai/Open-VLM-Retrieval-Leaderboard)

Key Strengths

  • Competitive performance: Achieves performance comparable to Jina Embeddings v4 while being fully open-source under Apache 2.0 license (Jina Embeddings v4 is governed by the Qwen Research License as it derives from Qwen-2.5-VL-3B)
  • Strong multilingual performance: Stable scores across 5 tested languages
  • Multi-domain training: Trained on 1.44M examples across 15+ technical domains

Key Features

  • Efficient Retrieval: Generates document and query embeddings for semantic similarity search
  • Multimodal Understanding: Processes text, diagrams, charts, and tables in their original layout
  • No Preprocessing Required: Directly works with document screenshots

Installation

pip install transformers accelerate pillow torch qwen-vl-utils

Usage Example

from PIL import Image
import torch
from transformers import AutoProcessor, Qwen3VLForConditionalGeneration
from qwen_vl_utils import process_vision_info

# Load model and processor
model_path = "racineai/QwenAmann-4B-dse"
device = "cuda" if torch.cuda.is_available() else "cpu"

# Configure image tokens (960 for Qwen3-VL)
num_image_tokens = 960
min_pixels = 1 * 32 * 32
max_pixels = num_image_tokens * 32 * 32

processor = AutoProcessor.from_pretrained(
    model_path,
    min_pixels=min_pixels,
    max_pixels=max_pixels
)

model = Qwen3VLForConditionalGeneration.from_pretrained(
    model_path,
    attn_implementation="flash_attention_2" if torch.cuda.is_available() else None,
    torch_dtype=torch.bfloat16,
).to(device).eval()

# Configure processor
processor.tokenizer.padding_side = "left"
model.padding_side = "left"

def get_embedding(last_hidden_state: torch.Tensor, dimension: int = 2560) -> torch.Tensor:
    """Extract and normalize embeddings from last token."""
    reps = last_hidden_state[:, -1]
    reps = torch.nn.functional.normalize(reps[:, :dimension], p=2, dim=-1)
    return reps

# Encode a document image
document_image = Image.open("technical_document.jpg")

doc_messages = [{
    'role': 'user',
    'content': [
        {'type': 'image', 'image': document_image},
        {'type': 'text', 'text': 'What is shown in this image?'}
    ]
}]

doc_text = processor.apply_chat_template(
    doc_messages, 
    tokenize=False, 
    add_generation_prompt=True
) + "<|endoftext|>"

doc_image_inputs, doc_video_inputs = process_vision_info(doc_messages)

doc_inputs = processor(
    text=[doc_text],
    images=doc_image_inputs,
    videos=doc_video_inputs,
    padding='longest',
    return_tensors='pt'
).to(device)

cache_position = torch.arange(0, 1)
doc_inputs = model.prepare_inputs_for_generation(
    **doc_inputs,
    cache_position=cache_position,
    use_cache=False
)

with torch.no_grad():
    doc_outputs = model(**doc_inputs, return_dict=True, output_hidden_states=True)
    doc_embedding = get_embedding(doc_outputs.hidden_states[-1], dimension=2560)

# Encode a text query
query = "What are the specifications of this component?"

query_messages = [{
    'role': 'user',
    'content': [
        {'type': 'image', 'image': Image.new('RGB', (32, 32)),
         'resized_height': 1, 'resized_width': 1},
        {'type': 'text', 'text': f'Query: {query}'}
    ]
}]

query_text = processor.apply_chat_template(
    query_messages,
    tokenize=False,
    add_generation_prompt=True
) + "<|endoftext|>"

query_image_inputs, query_video_inputs = process_vision_info(query_messages)

query_inputs = processor(
    text=[query_text],
    images=query_image_inputs,
    videos=query_video_inputs,
    padding='longest',
    return_tensors='pt'
).to(device)

cache_position = torch.arange(0, 1)
query_inputs = model.prepare_inputs_for_generation(
    **query_inputs,
    cache_position=cache_position,
    use_cache=False
)

with torch.no_grad():
    query_outputs = model(**query_inputs, return_dict=True, output_hidden_states=True)
    query_embedding = get_embedding(query_outputs.hidden_states[-1], dimension=2560)

# Calculate similarity using dot product
similarity = torch.einsum("bd,cd->bc", query_embedding, doc_embedding)
print(f"Similarity score: {similarity.item():.4f}")

Applications

  • Multilingual Technical Document Retrieval: Find relevant documents across multiple languages
  • International Technical Support Systems: Match user questions to relevant documentation regardless of language
  • Engineering Knowledge Management: Index and search technical specifications, diagrams, and reports
  • Multi-Domain Search: Retrieve documents across military, energy, quantum computing, nuclear, geotechnical, and other technical domains

Training Methodology

QwenAmann-4B-dse was trained using the Document Screenshot Embedding (DSE) approach, which treats document screenshots as a unified input format. This eliminates the need for content extraction preprocessing while preserving all visual and textual information in documents.

The model was fine-tuned on the OGC_MEGA_2 dataset, comprising 1.44M examples across 35+ languages with primary focus on 5 major European languages (English, French, German, Spanish, Italian). The dataset spans 15+ technical domains including military, energy, quantum computing, nuclear, geotechnical engineering, and more.

Authors

Léo Appourchaux - Lead Developer at TW3 Partners

Paul Lemaistre - GD at Racine.ai – Adjunct Professor at École Centrale d'Électronique

Dataset Curators: Léo Appourchaux, Paul Lemaistre, Yumeng Ye, Mattéo KHAN, André-Louis Rochet

License

This model is released under the Apache 2.0 license.

Citation

@misc{qwenamann-4b-dse,
  author = {racine.ai},
  title = {QwenAmann-4B-dse: A Multimodal Vision-Language Model for Multilingual Document Retrieval},
  year = {2025},
  publisher = {Hugging Face},
  url = {https://huggingface.co/racineai/QwenAmann-4B-dse}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Поиск по документам-картинкам пока не поддерживается.

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
3c4c7bf

0 моделей