/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
topk_embed · dense
Базовая модель
Qwen3.5-2B
Библиотека
sentence-transformers
Опубликована
23 сен 2026

topk-embed-v1-small

ЭмбеддингиТекст → embedding9 профессий

Мультимодальный поздний реранкер TopK для поиска текстовыми запросами по текстам и изображениям документов с оценкой релевантности через многовекторное сходство.

2 462скачиваний за 30 дней12лайковвеса обновлены2 окт 2026

Бенчмарки

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

Публичные оценки15

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

  • Vidore3TelecomRetrieval

    main_score

    Результат

    0,7132

    Общий результат 0,7184Общий результат 0,7165Общий результат 0,7139
    MTEB

    Публичная таблицадругая ревизия

  • French1Retrieval

    main_score

    Результат

    0,8512

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3NuclearRetrieval

    main_score

    Результат

    0,509

    Общий результат 0,5586Общий результат 0,5264Общий результат 0,5151
    MTEB

    Публичная таблицадругая ревизия

  • EnglishFinance1Retrieval

    main_score

    Результат

    0,9118

    MTEB

    Публичная таблицадругая ревизия

  • EnglishFinance3Retrieval

    main_score

    Результат

    0,811

    MTEB

    Публичная таблицадругая ревизия

  • EnglishFinance4Retrieval

    main_score

    Результат

    0,5346

    MTEB

    Публичная таблицадругая ревизия

  • EnglishFinance2Retrieval

    main_score

    Результат

    0,9475

    MTEB

    Публичная таблицадругая ревизия

  • Code1Retrieval

    main_score

    Результат

    0,9139

    MTEB

    Публичная таблицадругая ревизия

  • GermanHealthcare1Retrieval

    main_score

    Результат

    0,8931

    MTEB

    Публичная таблицадругая ревизия

  • FrenchLegal1Retrieval

    main_score

    Результат

    0,9817

    MTEB

    Публичная таблицадругая ревизия

  • JapaneseCode1Retrieval

    main_score

    Результат

    0,6799

    MTEB

    Публичная таблицадругая ревизия

  • German1Retrieval

    main_score

    Результат

    0,9722

    MTEB

    Публичная таблицадругая ревизия

  • GermanLegal1Retrieval

    main_score

    Результат

    0,7527

    MTEB

    Публичная таблицадругая ревизия

  • EnglishHealthcare1Retrieval

    main_score

    Результат

    0,8328

    MTEB

    Публичная таблицадругая ревизия

  • JapaneseLegal1Retrieval

    main_score

    Результат

    0,8828

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

topk-embed-v1-small — мультимодальная модель извлечения TopK размером 2 млрд параметров, предназначенная для поиска по текстовым документам и изображениям страниц, включая сканы, отчёты и презентации. Она использует позднее взаимодействие: формирует несколько векторов для токенов текста или фрагментов изображения, а затем оценивает релевантность запросов и документов с помощью суммирования MaxSim. Разработчик — TopK, согласно названию и README.

Модель рассчитана на retrieval-сценарии с текстовыми запросами и документами на разных языках. В README приведены оценки на восьми наборах ViDoRe v3, включая поиск по изображениям страниц и соответствующему тексту Markdown, а также нативные и межъязыковые запросы. Полная ширина векторов составляет 2048 измерений; доступны префиксные размерности Matryoshka от 64 до 2048. В метаданных указана дообученная база Qwen/Qwen3.5-2B, библиотека Sentence Transformers, формат safetensors и лицензия Apache-2.0. Для запуска README требует CUDA GPU с поддержкой bfloat16 (Ampere или новее).

Сценарии применения

  • поиск по сканам страниц документов
  • поиск по изображениям слайдов и отчётов
  • поиск по текстовым версиям документов Markdown
  • межъязыковой поиск по многоязычным коллекциям документов
  • сопоставление текстового запроса с документами по релевантности

Ограничения

Для запуска требуется CUDA GPU с поддержкой bfloat16 на Ampere или новее. README приводит результаты только на восьми наборах ViDoRe v3; качество на других коллекциях и сценариях из этих данных не следует.

Для каких профессий подходит9

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

topk-embed-v1-small

topk-embed-v1-small is a 2B multimodal late-interaction retriever. It uses text queries to search both text documents and images, such as scanned pages, reports, and slides.

Rather than compressing an input into a single vector, it keeps multiple embeddings for text tokens or image patches. Retrieval uses MaxSim scoring: each query vector is matched to its most similar document vector, and those similarities are summed. Higher scores indicate more relevant documents.

Usage with SentenceTransformers

Install the dependencies in requirements.txt. A CUDA GPU with bfloat16 support (Ampere or newer) is required.

from PIL import Image
from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder(
    "topk-io/topk-embed-v1-small",
    trust_remote_code=True,
    device="cuda",
)

query_embeddings = model.encode_query(["What was Q3 revenue?"])

# Encode text and image documents in separate batches.
text_embeddings = model.encode_document([
    "Q3 revenue was $12 million, up 20% year over year.",
    "The company opened a new office in October.",
])
with Image.open("page.png") as page:
    image_embeddings = model.encode_document([page.convert("RGB")])

# MaxSim scores: one row per query, one column per document.
text_scores = model.similarity(query_embeddings, text_embeddings)    # (1, 2)
image_scores = model.similarity(query_embeddings, image_embeddings)  # (1, 1)

Default limits are 1024 tokens per query and 8192 tokens per text document. Embeddings have 2048 dimensions. For smaller Matryoshka (MRL) embeddings, pass config_kwargs={"output_dim": 256} when loading the model.

Evaluation

Results on the eight public ViDoRe v3 test datasets, reported as percentages (higher is better). Columns are Matryoshka (MRL) prefix dimensions; 2048 is the full embedding width. In each per-dataset table, the final row is the unweighted mean across datasets, computed before rounding.

Native queries use the document language: French for Energy, Finance (French), and Physics; English for the remaining datasets. Crosslingual results include all six query languages, including the native language. Image retrieval uses page images; Markdown retrieval uses the corresponding page text.

The per-dataset tables use all document vectors (no token pooling), prefix truncation followed by FP32 L2 normalization, FP16 query/document vector storage, and exhaustive FP32 MaxSim scoring. nDCG@10 uses the graded relevance labels with linear gains. Recall@10 divides retrieved relevant documents by all relevant documents for each query (not capped recall).

Vidore V3 (image, native)

nDCG@10

Dataset6412825651210242048
Computer science77.9178.8979.5879.6279.9380.27
Energy69.7770.6570.5570.5771.0671.13
Finance (English)70.5571.2571.2371.3271.5971.27
Finance (French)50.6551.4051.9352.3052.4752.47
Human resources65.9766.6967.2167.3367.8867.38
Industrial56.5757.7857.7757.6958.1658.05
Pharmaceuticals68.7669.6570.1169.9570.0369.99
Physics49.7150.8350.8851.0851.3451.20
Average63.7464.6464.9164.9865.3165.22

Recall@10

Dataset6412825651210242048
Computer science80.3380.8781.2481.1781.7282.38
Energy75.8676.9876.7776.7477.0977.41
Finance (English)73.6874.4074.8475.0075.6874.88
Finance (French)58.5859.2059.6560.2860.2560.30
Human resources70.1570.2971.2771.3871.8371.27
Industrial58.1059.3959.3659.8760.2460.44
Pharmaceuticals70.4772.0972.5272.3172.6772.56
Physics53.4554.2654.7354.6154.8154.88
Average67.5868.4468.8068.9269.2969.26

Vidore V3 (image, crosslingual)

nDCG@10

Dataset6412825651210242048
Computer science75.4077.3578.2578.7778.7878.95
Energy67.3168.2668.9769.0169.0869.40
Finance (English)63.4265.9666.9567.1467.4467.40
Finance (French)47.7849.2750.0950.5450.7150.71
Human resources62.1263.9164.5464.8364.9264.86
Industrial50.1452.9253.9254.3954.4054.38
Pharmaceuticals66.8367.9768.4468.6168.8268.89
Physics48.3249.7650.0450.4750.5650.76
Average60.1661.9262.6562.9763.0963.17

Recall@10

Dataset6412825651210242048
Computer science77.8779.9580.2780.8580.8681.25
Energy74.3175.3976.0376.0976.1776.60
Finance (English)67.6370.0471.0271.2271.5671.61
Finance (French)56.3457.6458.3559.0859.1059.07
Human resources66.6567.9468.4768.7768.9668.62
Industrial52.9855.5556.6657.2457.4157.28
Pharmaceuticals68.8170.0470.4970.8871.1971.10
Physics52.2953.5153.9554.0854.1254.14
Average64.6166.2666.9167.2867.4267.46

Vidore V3 (markdown, native)

nDCG@10

Dataset6412825651210242048
Computer science74.7576.0676.2277.0677.1677.41
Energy66.1967.0667.5367.8968.2768.24
Finance (English)68.0969.1269.8069.7070.0369.94
Finance (French)48.3949.6350.2850.9250.7850.66
Human resources61.7462.7063.3163.4464.2463.72
Industrial53.2754.3254.5355.2155.1854.98
Pharmaceuticals66.7967.7667.8268.1668.4068.29
Physics47.1948.0549.3849.1749.2049.13
Average60.8061.8462.3662.6962.9162.80

Recall@10

Dataset6412825651210242048
Computer science76.1677.8578.7279.5379.6679.77
Energy74.5274.1975.1174.8275.3775.44
Finance (English)72.3273.3073.1773.3773.5073.79
Finance (French)56.0058.0658.8759.8859.3058.51
Human resources66.6267.1967.8368.0168.9868.05
Industrial55.9356.7256.8457.3657.2957.21
Pharmaceuticals69.1269.9070.1670.6270.3970.28
Physics51.1751.7452.9952.9852.6752.95
Average65.2366.1266.7167.0767.1567.00

Vidore V3 (markdown, crosslingual)

nDCG@10

Dataset6412825651210242048
Computer science72.7074.5775.4976.1476.2176.29
Energy64.4865.8966.4066.9467.1167.31
Finance (English)61.2163.5664.6864.6464.9865.04
Finance (French)45.4247.4047.9948.5848.9048.82
Human resources57.3058.9760.0459.8660.2860.17
Industrial45.2148.1949.8050.5850.5650.52
Pharmaceuticals64.6766.4366.8066.7767.1367.07
Physics46.8848.3348.6348.6848.6548.68
Average57.2359.1759.9860.2760.4860.49

Recall@10

Dataset6412825651210242048
Computer science74.7176.9578.1678.9979.0379.01
Energy73.1974.0674.4174.6974.9175.17
Finance (English)66.0568.2369.5769.4669.6469.98
Finance (French)53.3956.0456.3056.9557.0956.96
Human resources61.5362.8563.8263.8364.2663.99
Industrial48.5551.8453.2654.4354.2554.05
Pharmaceuticals66.8568.4068.9469.3069.4369.28
Physics50.3651.2651.7852.0852.0052.16
Average61.8363.7064.5364.9765.0865.08

Pooling performance

Each figure shows image and Markdown retrieval side by side at the full MRL width of 2048 dimensions. Scores are percentages, averaged equally across the eight datasets for each task. Solid blue lines with circles show native queries; dashed amber lines with squares show crosslingual queries. Pooling factors use a base-2 logarithmic axis; 1× is the unpooled baseline. Both panels share the same score scale.

Document vectors are pooled at full width using Ward linkage on cosine distances, then L2-normalized without prefix truncation. Pooling factors 2×, 4×, and 8× reduce each document to approximately one-half, one-quarter, and one-eighth as many vectors. Queries are not pooled. Vector storage remains FP16; scoring and the pre-export evaluation settings are the same as above.

nDCG@10

Average nDCG@10 versus pooling factor at the full 2048-dimensional width, with image and Markdown panels for native and crosslingual queries.

Recall@10

Average Recall@10 versus pooling factor at the full 2048-dimensional width, with image and Markdown panels for native and crosslingual queries.

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
TopkEmbedModel
Ревизия весов
e54485e

0 моделей