/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5
Библиотека
colpali-engine
Опубликована
4 сен 2026

EVIE-8B

Языковая модельИзображение, текст → embedding8 профессий

Модель Tencent для поиска релевантных страниц в изображениях документов по текстовым запросам с помощью многовекторных представлений и позднего взаимодействия.

634скачиваний за 30 дней34лайкавеса обновлены9 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки10

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

  • Vidore3PharmaceuticalsRetrieval

    main_score

    Результат

    0,7078

    Общий результат 0,7106Общий результат 0,7039Общий результат 0,7014
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3EnergyRetrieval

    main_score

    Результат

    0,7208

    Общий результат 0,7288Общий результат 0,7282Общий результат 0,719
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceFrRetrieval

    main_score

    Результат

    0,5523

    Общий результат 0,5615Общий результат 0,56Общий результат 0,5596
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3IndustrialRetrieval

    main_score

    Результат

    0,5954

    Общий результат 0,6112Общий результат 0,5911Общий результат 0,5887
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3ComputerScienceRetrieval

    main_score

    Результат

    0,821

    Общий результат 0,8242Общий результат 0,8199
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3FinanceEnRetrieval

    main_score

    Результат

    0,7366

    Общий результат 0,7162Общий результат 0,7122Общий результат 0,7076
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3PhysicsRetrieval

    main_score

    Результат

    0,5176

    Общий результат 0,5244Общий результат 0,524Общий результат 0,5187
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3TelecomRetrieval

    main_score

    Результат

    0,7421

    Общий результат 0,7507Общий результат 0,7442Общий результат 0,7393
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3NuclearRetrieval

    main_score

    Результат

    0,5694

    Общий результат 0,5748Общий результат 0,5686Общий результат 0,5639
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3HrRetrieval

    main_score

    Результат

    0,6917

    Общий результат 0,7023Общий результат 0,6864Общий результат 0,6846
    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

EVIE-8B — модель Tencent для поиска по визуальным документам, включая страницы документов в виде изображений. Она дообучена на базе Qwen3.5-9B и использует архитектуру ColQwen3.5 с двунаправленным вниманием. Модель кодирует текст запроса и визуальные фрагменты документа в многовекторные представления размерности 4096, а релевантность оценивает поздним взаимодействием токенов по MaxSim.

Модель предназначена для извлечения нужных страниц по текстовым запросам в коллекциях документов: она сохраняет признаки макета, типографики, таблиц и диаграмм. Tencent также позиционирует её как учительскую модель для дистилляции компактной EVIE-4.5B. В README сообщается об оценке nDCG@10 66,75 на ViDoRe V3 и проверке на наборах ViDoRe и JinaVDR. Поддерживаются текстовые запросы и изображения документов; обучение проводилось на парах запросов и документов из многоязычных областей. Лицензия — Apache-2.0. Для выдачи результатов требуется вычислять и сравнивать многовекторные представления, что может быть требовательно к ресурсам; качество зависит от dtype и backend внимания.

Сценарии применения

  • поиск нужных страниц в коллекции сканированных документов
  • поиск таблиц и диаграмм по текстовому запросу
  • извлечение страниц из многоязычных корпоративных архивов
  • поиск по финансовым, научным и техническим документам

Ограничения

Для обработки документов модель формирует многовекторные представления размерности 4096 и может требовать значительных вычислительных ресурсов и памяти. Результаты могут немного различаться в зависимости от dtype и backend внимания.

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

🏆 EVIE-8B: The Most Accurate Visual Document Retriever

Evidence-Vector-Informed Embedding (EVIE-8B Flagship Teacher)


📢 Release Announcement: All model weights, inference pipelines, and evaluation suites have been fully open-sourced. The technical report is available on arXiv: EVIE: Evidence-Vector-Informed Embeddings for Visual Document Retrieval. Training code and distillation recipes are available in the Tencent/EVIE repository.


🌟 Highlights

  • Highest Retrieval Accuracy: 66.75 nDCG@10 on ViDoRe V3, delivering industry-leading visual document retrieval accuracy.
  • High-Capacity 4096D Representations: Full per-token multi-vector embeddings preserving fine-grained layout, typography, charts, and table structures.
  • Teacher Foundation: Provides capacity-aware relation and margin distillation targets for the lightweight EVIE-4.5B Prefix-MRL model.
  • Multi-Benchmark 138-Task Coverage: Thoroughly validated across 138 tasks (ViDoRe V1, V2, V3, and JinaVDR) across 4 standard metric families (nDCG, Recall, MAP, MRR @1/5/10).

🧠 Architecture & Technical Highlights

 Query Text  ────────► ColQwen3.5 (BiDir Attention) ────► 4096D Per-Token Embeddings
                                                                    │
                                                           MaxSim Matching
                                                                    │
 Doc Image   ────────► ColQwen3.5 (Vision Encoder)  ────► Full Multi-Vector Patch Embeddings
  • Late-Interaction Token Embeddings: Rather than compressing visual documents into an information-lossy single vector, EVIE-8B preserves spatial nuances, typography, and tabular relations with per-token late-interaction representations. Relevance is scored using MaxSim:

$$ S(Q, D) = \sum_{i=1}^{|Q|} \max_{j=1}^{|D|} (q_i \cdot d_j) $$

  • Full Bidirectional Attention: Employs bidirectional self-attention across multimodal vision-text sequences to facilitate cross-modal interaction between visual patch tokens and prompt contexts.
  • Foundational Distillation Teacher: Serves as the high-capacity anchor model for training the compact EVIE-4.5B student via topological relation transfer and hard-negative margin supervision (ARD).

🏆 ViDoRe V3 Leaderboard

Official ranking on the ViDoRe leaderboard (ViDoRe V3, Mean Task).

RankModelParametersMean (Task)
🥇 #1tencent/EVIE-8B8.4B66.24
🥈 #2tencent/EVIE-4.5B4.5B65.70
#3webAI-ColVec1.1-8b8.4B64.95
#4VultronRetrieverPrime-Qwen3.5-8B8.4B64.26
#5webAI-ColVec1.1-4b4.5B63.90
#6VultronRetrieverCore-Qwen3.5-4.5B4.5B63.57

📊 Comprehensive ViDoRe Leaderboard Comparison

Performance comparison across modern multi-vector late-interaction visual document retrievers on ViDoRe:

RankModelBase ModelParamEmbed DimViDoRe V1 (nDCG@5)ViDoRe V2 (nDCG@5)ViDoRe V3 (nDCG@10)
🥇EVIE-8BQwen3.5-9B8.41B4096D92.1874.2366.75
🥈EVIE-4.5BQwen3.5-4B4.61B64–2048D Prefix-MRL92.0773.3866.02
🥉EVIE-Preview-4.5BQwen3.5-4B4.54B128D91.7370.8765.36
4webAI-ColVec1.1-8bQwen2.5-VL8.40B640D91.3065.8265.32
5VultronRetrieverPrime-8BQwen3.5-9B8.40B320D92.0868.1864.26
6webAI-ColVec1.1-4bQwen2.5-VL4.54B640D90.4963.6063.90
7VultronRetrieverCore-4.5BQwen3.5-4B4.50B320D92.2166.1263.57
8nemotron-colembed-vl-8b-v2Nemotron-8B8.80B4096D92.6565.1663.54
9tomoro-colqwen3-embed-8bQwen2.5-VL8.00B320D90.7665.4061.60
10nemotron-colembed-vl-4b-v2Nemotron-4B4.80B2560D91.6264.4961.42
11athrael-soju/colqwen3.5-4.5B-v3Qwen3.5-4B4.60B128D91.5464.2561.46
12tomoro-colqwen3-embed-4bQwen2.5-VL4.00B320D90.5764.6960.16
13VultronRetrieverFlash-0.8BQwen3.5-0.8B0.85B320D88.1560.3656.16

🔍 ViDoRe V3 Per-Domain Breakdown (nDCG@10)

ModelAvgCompSciEnergyFinance ENFinance FRHRIndustrialPharmaPhysics
EVIE-8B66.7581.8672.5171.2356.4069.2959.7770.8152.11
EVIE-4.5B66.0281.7272.3270.0054.9067.8259.4070.2751.69
webAI-ColVec1.1-8b65.3280.0870.1271.9054.8768.5557.6567.8851.50
nemotron-colembed-vl-8b-v263.5479.3069.8267.2951.5466.3256.0367.1950.84
VultronRetrieverPrime-8B64.2679.8070.3069.0054.5066.8057.4068.2051.70
VultronRetrieverCore-4.5B63.5779.8069.2068.9052.0066.1056.1067.5050.20
tomoro-colqwen3-embed-8b61.6075.3568.4165.0849.1063.9854.4166.3650.13

📋 Complete 138-Task Evaluation Matrix

Protocol paired-all-pages-dedup+process_queries+ndcg2r-20260827 ($\text{MVT} = 1024$, bidirectional attention):

  • ViDoRe V1: 10 tasks, 3,943 queries, 6,729 docs
  • ViDoRe V2: 4 tasks, 1,152 queries, 4,544 docs
  • ViDoRe V3: 48 tasks, 14,514 queries, 115,512 docs
  • JinaVDR: 76 tasks, 43,375 queries, 55,398 docs
MetricViDoRe V1ViDoRe V2ViDoRe V3JinaVDR4-Board Macro Avg
nDCG@188.5175.5862.1475.5075.43
nDCG@592.1874.2364.1682.4578.26
nDCG@1092.6475.3566.7583.3079.51
Recall@188.5137.8730.7975.5058.17
Recall@595.0766.6558.6988.0777.12
Recall@1096.4376.3470.1090.6583.38
MAP@188.5175.9965.9475.5076.49
MAP@591.2167.3055.8280.5673.72
MAP@1091.4066.8156.3280.9273.86
MRR@188.5175.9965.9475.5076.49
MRR@591.2182.8575.3980.5682.50
MRR@1091.4083.2376.0980.9282.91

⚡ Quick Start

ColPali Engine

Installation

git clone https://github.com/Tencent/EVIE.git
cd EVIE
pip install -r requirements.txt
export PYTHONPATH="$(pwd)/colpali${PYTHONPATH:+:$PYTHONPATH}"

Python Inference

import torch
from PIL import Image
from colpali_engine.models import ColQwen3_5, ColQwen3_5Processor

model_id = "tencent/EVIE-8B"

# 1. Load model with FlashAttention and bidirectional attention
model = ColQwen3_5.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="cuda",
    attn_implementation="flash_attention_2",
).eval()
model.enable_bidirectional_attention()

# 2. Process query and document image
processor = ColQwen3_5Processor.from_pretrained(model_id)
images = [Image.open("examples/demo/pages/q3_revenue.png").convert("RGB")]
queries = ["What is the total quarterly revenue?"]

image_batch = processor.process_images(images).to(model.device)
query_batch = processor.process_queries(queries).to(model.device)

# 3. Generate 4096D multi-vectors and late-interaction score
with torch.inference_mode():
    image_embeddings = model(**image_batch)
    model.rope_deltas = None  # Reset RoPE deltas before text query forward
    query_embeddings = model(**query_batch)

scores = processor.score(query_embeddings, image_embeddings)
print("Late-interaction MaxSim Relevance Score:", scores)

Sentence Transformers

Load EVIE with Sentence Transformers to encode queries and document images and compute MaxSim scores. Bidirectional attention is configured automatically.

pip install -U "sentence-transformers[image]>=6.0.0"
from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder("tencent/EVIE-8B")

queries = [
    "What is the variable represented on the y-axis of the graph?",
    "Total outlay is maximum in which year?",
]
documents = [
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc1.jpg",
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc2.jpg",
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc3.jpg",
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc4.jpg",
]

query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents, batch_size=1)
print(query_embeddings[0].shape, document_embeddings[0].shape)
# torch.Size([23, 4096]) torch.Size([3161, 4096])

scores = model.similarity(query_embeddings, document_embeddings)
print(scores)
# tensor([[14.3594,  6.1758,  4.5137,  3.2979],
#         [ 1.8079, 10.9180,  1.9668,  1.9541]])

Documents can be URLs, local image paths, or PIL.Image objects. The output contains 4096-dimensional token embeddings. Scores can vary slightly with dtype and attention backend.

The default page budget allows up to 16,384 visual tokens. Encoding images one at a time reduces peak memory use. To use the 1,024-token budget from the evaluation protocol above, set the image processor's pixel budget:

model = MultiVectorEncoder(
    "tencent/EVIE-8B",
    processor_kwargs={"size": {"longest_edge": 1024 * 32 * 32, "shortest_edge": 65536}},
)

📂 Repository Layout

Evie-8B/
├── model.safetensors         # EVIE-8B weights (safetensors)
├── config.json               # Model configuration (4096D)
├── 1_Dense/                  # Sentence Transformers 4096D projection
├── modules.json              # MultiVectorEncoder module graph
├── infer.py                  # Standalone inference & scoring CLI
├── colpali/                  # ColQwen3.5 inference engine
├── code/shared/              # 138-task eval harness
├── examples/demo/            # 8-page retrieval demo (run.sh)
└── env.sh.example            # Environment variables template

🔬 Released Checkpoint

EVIE-8B was trained on 775,635 document-query pairs across multilingual domains. Hard negatives were mined and classified into answerable (promoted to positives), ambiguous (masked), and strict negatives (negative cross-entropy loss).

The released a40 checkpoint represents a weight-space mix ($\alpha = 0.40$) of two independently trained arms, achieving the peak 66.75 nDCG@10 on ViDoRe V3. Full training reproduction scripts are provided in the companion repository Tencent/EVIE.


📚 Citation

@misc{wang2026evie,
  title         = {EVIE: Evidence-Vector-Informed Embeddings for Visual Document Retrieval},
  author        = {Zifei Wang and Wei Wen and Qiang Ji and Qian-Wen Zhang and Ruizhi Qiao and Xing Sun},
  year          = {2026},
  eprint        = {2610.11553},
  archivePrefix = {arXiv},
  primaryClass  = {cs.IR},
  url           = {https://arxiv.org/abs/2610.11553}
}

📄 License

This model and codebase are released under the Apache-2.0 License.


👥 Authors

NameRoleAffiliationContact
Zifei WangAuthorTencent IMA Product Centerzifeiwang@tencent.com
Wei WenAuthor & CorrespondingTencent Youtu Labjawnrwen@tencent.com

Как запустить

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

GPU в ailist

Универсальный рантайм · colpali-engine

Нельзя запустить

Поиск по документам-картинкам пока не поддерживается.

Класс архитектуры
ColQwen3_5
Ревизия весов
cdc8f60

0 моделей