/ Модель

Характеристики

Контекст
32 768 токенов
Лицензия
Apache 2.0
Архитектура
colqwen2 · dense
Базовая модель
colqwen2-v1.0-hf
Библиотека
sentence-transformers
Опубликована
25 июл 2026

multivector-colqwen2-v1.0-hf-docqa-energy

ЭмбеддингиТекст → embedding4 профессии

Многовекторный энкодер для поиска страниц документов по энергетике по текстовым запросам и изображениям страниц.

94скачиваний за 30 дней3лайкавеса обновлены25 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

tomaarsen/multivector-colqwen2-v1.0-hf-docqa-energy — многовекторный энкодер, дообученный на синтетических парах запросов и страниц документов по энергетике. Он основан на vidore/colqwen2-v1.0-hf и предназначен для поиска релевантных страниц документов по текстовым запросам с помощью позднего взаимодействия MaxSim.

Модель принимает текст и изображения страниц, включая страницы PDF, и представляет их последовательностями токенных векторов размерности 128. Максимальная длина последовательности — 32 768 токенов. Обучение проводилось на английских данных набора synthetic_doc_qa_energy_train; в README приведены метрики поиска на наборе energy-dev. Модель распространяется под лицензией Apache-2.0.

Она подходит для семантического поиска по энергетическим отчетам и другим документам этой тематики, в том числе для извлечения страниц, отвечающих на вопрос. Результаты зависят от соответствия запросов и документов обучающим данным; карточка не заявляет о генерации ответов или универсальном OCR.

Сценарии применения

  • поиск страниц энергетических отчетов по вопросу
  • извлечение страниц PDF о технологиях и исследованиях в энергетике
  • поиск сведений об энергетической политике в документах
  • поиск информации о материалах аккумуляторов в отчетах
  • подбор релевантных страниц для системы вопросно-ответного поиска по документам

Ограничения

Дообучена на синтетических английских запросах и страницах по энергетике, поэтому качество поиска в других языках и областях не подтверждено. Модель формирует векторные представления и оценки релевантности, а не готовые текстовые ответы.

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

colqwen2-v1.0-hf finetuned on energy document pages

This is a Multi-Vector Encoder model finetuned from vidore/colqwen2-v1.0-hf on the synthetic_doc_qa_energy_train dataset using the sentence-transformers library. It maps inputs to sequences of 128-dimensional token-level vectors and scores them with late interaction (MaxSim), useful for semantic search with late interaction.

Model Details

Model Description

  • Model Type: Multi-Vector Encoder
  • Base model: vidore/colqwen2-v1.0-hf
  • Maximum Sequence Length: 32768 tokens
  • Output Dimensionality: 128 dimensions
  • Similarity Function: maxsim
  • Supported Modalities: Text, Image
  • Training Dataset:
  • Language: en
  • License: apache-2.0

Model Sources

Full Model Architecture

MultiVectorEncoder(
  (0): Transformer({'transformer_task': 'retrieval', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'embeddings'}, 'image': {'method': 'forward', 'method_output_name': 'embeddings'}}, 'module_output_name': 'token_embeddings', 'architecture': 'ColQwen2ForRetrieval'})
  (1): MultiVectorMask({'skiplist_words': [], 'keep_only_token_ids': None})
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import MultiVectorEncoder

# Download from the 🤗 Hub
model = MultiVectorEncoder("tomaarsen/multivector-colqwen2-v1.0-hf-docqa-energy")
# Run inference: each input becomes a sequence of per-token vectors (variable length).
queries = [
    'What topics are covered in this index?',
]
documents = [
    'https://huggingface.co/tomaarsen/multivector-colqwen2-v1.0-hf-docqa-energy/resolve/main/assets/image_0.jpg',
    'https://huggingface.co/tomaarsen/multivector-colqwen2-v1.0-hf-docqa-energy/resolve/main/assets/image_1.jpg',
    'https://huggingface.co/tomaarsen/multivector-colqwen2-v1.0-hf-docqa-energy/resolve/main/assets/image_2.jpg',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings[0].shape, document_embeddings[0].shape)
# (20, 128) (759, 128)

# Get the MaxSim similarity scores
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[15.7523,  8.2611, 11.6049]])

Evaluation

Metrics

Multi Vector Information Retrieval

MetricValue
maxsim_accuracy@10.935
maxsim_accuracy@30.9675
maxsim_accuracy@50.9725
maxsim_accuracy@100.9825
maxsim_precision@10.935
maxsim_precision@30.3225
maxsim_precision@50.1945
maxsim_precision@100.0982
maxsim_recall@10.935
maxsim_recall@30.9675
maxsim_recall@50.9725
maxsim_recall@100.9825
maxsim_ndcg@100.9592
maxsim_mrr@100.9518
maxsim_map@1000.9522

Training Details

Training Dataset

synthetic_doc_qa_energy_train

  • Dataset: synthetic_doc_qa_energy_train at 438dd85
  • Size: 3,475 training samples
  • Columns: query and image
  • Approximate statistics based on the first 100 samples:
    queryimage
    typestringimage
    modalitytextimage
    detailsmin: 18 tokensmean: 28.12 tokensmax: 48 tokensmin: 932x312 pxmean: 1717x2057 pxmax: 3200x2339 px
  • Samples:
    queryimage
    What is the objective of the research task related to reactor pressure vessel steels?
    What recommendations does this study make regarding energy policy options?
    What are the typical materials used for the cathode, electrolyte, and anode in conventional solid-state batteries?
  • Loss: MultiVectorMultipleNegativesRankingLoss with these parameters:
    {
        "score_metric": "colbert_scores",
        "scale": 1.0,
        "score_mini_batch_size": null,
        "size_average": true,
        "gather_across_devices": false
    }
    

Evaluation Dataset

synthetic_doc_qa_energy_train

  • Dataset: synthetic_doc_qa_energy_train at 438dd85
  • Size: 400 evaluation samples
  • Columns: query and image
  • Approximate statistics based on the first 100 samples:
    queryimage
    typestringimage
    modalitytextimage
    detailsmin: 18 tokensmean: 27.27 tokensmax: 44 tokensmin: 827x1125 pxmean: 1728x2103 pxmax: 3400x3042 px
  • Samples:
    queryimage
    What topics are covered in this index?
    What are the different funding sources for projects listed in the table?
    What are the main sections covered in this report?
  • Loss: MultiVectorMultipleNegativesRankingLoss with these parameters:
    {
        "score_metric": "colbert_scores",
        "scale": 1.0,
        "score_mini_batch_size": null,
        "size_average": true,
        "gather_across_devices": false
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • num_train_epochs: 1
  • learning_rate: 2e-05
  • warmup_steps: 0.05
  • bf16: True
  • save_only_model: True
  • load_best_model_at_end: True

All Hyperparameters

  • per_device_train_batch_size: 8
  • num_train_epochs: 1
  • max_steps: -1
  • learning_rate: 2e-05
  • lr_scheduler_type: linear
  • lr_scheduler_kwargs: None
  • warmup_steps: 0.05
  • optim: adamw_torch_fused
  • optim_args: None
  • weight_decay: 0.0
  • adam_beta1: 0.9
  • adam_beta2: 0.999
  • adam_epsilon: 1e-08
  • optim_target_modules: None
  • gradient_accumulation_steps: 1
  • average_tokens_across_devices: True
  • max_grad_norm: 1.0
  • label_smoothing_factor: 0.0
  • bf16: True
  • fp16: False
  • bf16_full_eval: False
  • fp16_full_eval: False
  • tf32: None
  • gradient_checkpointing: False
  • gradient_checkpointing_kwargs: None
  • torch_compile: False
  • torch_compile_backend: None
  • torch_compile_mode: None
  • use_liger_kernel: False
  • liger_kernel_config: None
  • use_cache: False
  • neftune_noise_alpha: None
  • torch_empty_cache_steps: None
  • auto_find_batch_size: False
  • log_on_each_node: True
  • logging_nan_inf_filter: True
  • include_num_input_tokens_seen: no
  • log_level: passive
  • log_level_replica: warning
  • disable_tqdm: False
  • project: huggingface
  • trackio_space_id: None
  • trackio_bucket_id: None
  • trackio_static_space_id: None
  • per_device_eval_batch_size: 8
  • prediction_loss_only: True
  • eval_on_start: False
  • eval_do_concat_batches: True
  • eval_use_gather_object: False
  • eval_accumulation_steps: None
  • include_for_metrics: []
  • batch_eval_metrics: False
  • save_only_model: True
  • save_on_each_node: False
  • enable_jit_checkpoint: False
  • push_to_hub: False
  • hub_private_repo: None
  • hub_model_id: None
  • hub_strategy: every_save
  • hub_always_push: False
  • hub_revision: None
  • load_best_model_at_end: True
  • ignore_data_skip: False
  • restore_callback_states_from_checkpoint: False
  • full_determinism: False
  • seed: 42
  • data_seed: None
  • use_cpu: False
  • accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
  • parallelism_config: None
  • dataloader_drop_last: False
  • dataloader_num_workers: 0
  • dataloader_pin_memory: True
  • dataloader_persistent_workers: False
  • dataloader_prefetch_factor: None
  • remove_unused_columns: True
  • label_names: None
  • train_sampling_strategy: random
  • length_column_name: length
  • ddp_find_unused_parameters: None
  • ddp_bucket_cap_mb: None
  • ddp_broadcast_buffers: False
  • ddp_static_graph: None
  • ddp_backend: None
  • ddp_timeout: 1800
  • fsdp: None
  • fsdp_config: None
  • deepspeed: None
  • debug: []
  • skip_memory_metrics: True
  • do_predict: False
  • resume_from_checkpoint: None
  • warmup_ratio: None
  • local_rank: -1
  • prompts: None
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: proportional
  • router_mapping: {}
  • learning_rate_mapping: {}
  • max_length: None

Training Logs

EpochStepTraining LossValidation Lossenergy-dev_maxsim_ndcg@10
-1-1--0.9571
0.011550.0964--
0.0230100.0489--
0.0345150.1147--
0.0460200.0682--
0.0575250.0311--
0.0690300.0563--
0.0805350.0086--
0.0920400.0599--
0.101144-0.06060.9554
0.1034450.0014--
0.1149500.0163--
0.1264550.0684--
0.1379600.0364--
0.1494650.0973--
0.1609700.0744--
0.1724750.0444--
0.1839800.0047--
0.1954850.1064--
0.202388-0.05160.9548
0.2069900.1071--
0.2184950.0783--
0.22991000.0627--
0.24141050.0181--
0.25291100.0073--
0.26441150.0430--
0.27591200.0013--
0.28741250.0500--
0.29891300.0044--
0.3034132-0.04420.9548
0.31031350.0891--
0.32181400.0260--
0.33331450.0302--
0.34481500.0229--
0.35631550.1208--
0.36781600.0367--
0.37931650.0361--
0.39081700.0409--
0.40231750.0103--
0.4046176-0.04270.9559
0.41381800.0072--
0.42531850.0649--
0.43681900.0405--
0.44831950.0026--
0.45982000.0352--
0.47132050.0342--
0.48282100.0098--
0.49432150.0057--
0.50572200.02350.04160.9567
0.51722250.0026--
0.52872300.0119--
0.54022350.0013--
0.55172400.0417--
0.56322450.0118--
0.57472500.0060--
0.58622550.0069--
0.59772600.0620--
0.6069264-0.04100.9583
0.60922650.0700--
0.62072700.0287--
0.63222750.1266--
0.64372800.0015--
0.65522850.0147--
0.66672900.0145--
0.67822950.0976--
0.68973000.0027--
0.70113050.0341--
0.7080308-0.04040.9583
0.71263100.0570--
0.72413150.0302--
0.73563200.0047--
0.74713250.0238--
0.75863300.0514--
0.77013350.0022--
0.78163400.0579--
0.79313450.0030--
0.80463500.0407--
0.8092352-0.04040.9577
0.81613550.0363--
0.82763600.0570--
0.83913650.0031--
0.85063700.0603--
0.86213750.0067--
0.87363800.0022--
0.88513850.0129--
0.89663900.0072--
0.90803950.0052--
0.9103396-0.04050.9574
0.91954000.0165--
0.93104050.0060--
0.94254100.0020--
0.95404150.0144--
0.96554200.0572--
0.97704250.1479--
0.98854300.0381--
1.04350.03370.04050.9592
-1-1--0.9592
  • The bold row denotes the saved checkpoint.

Training Time

  • Training: 14.2 minutes
  • Evaluation: 24.0 minutes
  • Total: 38.2 minutes

Framework Versions

  • Python: 3.11.13
  • Sentence Transformers: 5.7.0.dev0
  • Transformers: 5.14.1
  • PyTorch: 2.11.0+cu128
  • Accelerate: 1.5.2
  • Datasets: 3.5.0
  • Tokenizers: 0.22.2

Citation

BibTeX

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

MultiVectorMultipleNegativesRankingLoss

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply},
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

Для архитектуры colqwen2 нет загрузчика под задачу embedding.

Класс архитектуры
ColQwen2ForRetrieval
Ревизия весов
ffd2587

0 моделей