/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
topk_embed · dense
Базовая модель
Qwen3.5-0.8B
Библиотека
sentence-transformers
Опубликована
23 сен 2026

topk-embed-v1-xsmall

ЭмбеддингиТекст → embedding10 профессий

Компактная мультимодальная модель позднего взаимодействия для поиска по тексту и изображениям документов с помощью текстового запроса.

1 397скачиваний за 30 дней14лайковвеса 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.

  • JapaneseCode1Retrieval

    main_score

    Результат

    0,6187

    MTEB

    Публичная таблицадругая ревизия

  • Vidore3TelecomRetrieval

    main_score

    Результат

    0,6813

    Общий результат 0,705Общий результат 0,6872Общий результат 0,6863
    MTEB

    Публичная таблицадругая ревизия

  • Vidore3NuclearRetrieval

    main_score

    Результат

    0,5069

    Общий результат 0,551Общий результат 0,5067Общий результат 0,4989
    MTEB

    Публичная таблицадругая ревизия

  • French1Retrieval

    main_score

    Результат

    0,8352

    MTEB

    Публичная таблицадругая ревизия

  • GermanLegal1Retrieval

    main_score

    Результат

    0,7468

    MTEB

    Публичная таблицадругая ревизия

  • FrenchLegal1Retrieval

    main_score

    Результат

    0,9746

    MTEB

    Публичная таблицадругая ревизия

  • EnglishFinance1Retrieval

    main_score

    Результат

    0,9175

    MTEB

    Публичная таблицадругая ревизия

  • German1Retrieval

    main_score

    Результат

    0,9595

    MTEB

    Публичная таблицадругая ревизия

  • EnglishFinance2Retrieval

    main_score

    Результат

    0,9349

    MTEB

    Публичная таблицадругая ревизия

  • Code1Retrieval

    main_score

    Результат

    0,8999

    MTEB

    Публичная таблицадругая ревизия

  • EnglishFinance4Retrieval

    main_score

    Результат

    0,5018

    MTEB

    Публичная таблицадругая ревизия

  • EnglishHealthcare1Retrieval

    main_score

    Результат

    0,8129

    MTEB

    Публичная таблицадругая ревизия

  • EnglishFinance3Retrieval

    main_score

    Результат

    0,7689

    MTEB

    Публичная таблицадругая ревизия

  • JapaneseLegal1Retrieval

    main_score

    Результат

    0,8655

    MTEB

    Публичная таблицадругая ревизия

  • GermanHealthcare1Retrieval

    main_score

    Результат

    0,86

    MTEB

    Публичная таблицадругая ревизия

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

topk-embed-v1-xsmall — компактная мультимодальная модель извлечения признаков с поздним взаимодействием, дообученная на базе Qwen/Qwen3.5-0.8B. Она предназначена для поиска по текстовым документам и изображениям страниц, например сканированных страниц, отчётов и слайдов, по текстовому запросу. Модель сохраняет несколько векторов для токенов текста или участков изображения и использует оценку MaxSim: сопоставляет каждый вектор запроса с наиболее похожим вектором документа и суммирует оценки. Репозиторий использует SentenceTransformers и формат safetensors; модель имеет размер 0,8 млрд параметров.

В карточке приведены результаты поиска по восьми наборам ViDoRe v3, включая запросы на нескольких языках и поиск как по изображениям страниц, так и по соответствующему тексту Markdown. Метаданные указывают поддержку английского, русского, французского, нидерландского, немецкого, испанского, итальянского, португальского, датского, норвежского, шведского, китайского, японского и корейского языков. Лицензия — Apache-2.0. Для запуска через SentenceTransformers README требует CUDA GPU с поддержкой bfloat16 (Ampere или новее).

Сценарии применения

  • поиск по сканам документов по текстовому запросу
  • поиск нужных страниц в отчётах и презентациях
  • мультиязычный поиск по документам и изображениям страниц
  • извлечение релевантных текстовых фрагментов и областей изображений

Ограничения

Для запуска через SentenceTransformers требуется CUDA GPU с поддержкой bfloat16 (Ampere или новее); механизм позднего взаимодействия хранит несколько векторов на документ, что увеличивает объём хранения и стоимость поиска по сравнению с одним вектором.

Для каких профессий подходит10

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-xsmall

topk-embed-v1-xsmall is a 0.8B 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-xsmall",
    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 1024 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; 1024 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

Dataset641282565121024
Computer science75.9677.3877.3477.6177.63
Energy66.4567.0867.8668.4868.08
Finance (English)66.7968.8268.9268.8769.05
Finance (French)47.3448.5249.0549.5349.27
Human resources62.9863.7464.2964.4364.81
Industrial55.0756.2056.0256.2856.65
Pharmaceuticals67.5268.6668.3368.5268.77
Physics47.0248.4948.2748.7548.76
Average61.1462.3662.5162.8162.88

Recall@10

Dataset641282565121024
Computer science78.3880.0679.7080.1880.44
Energy74.1873.4775.0575.1874.66
Finance (English)69.8772.5472.5371.9172.00
Finance (French)54.5855.3456.2056.6656.17
Human resources67.3167.8368.6968.2467.96
Industrial56.4157.8357.8758.4558.52
Pharmaceuticals70.6070.8170.7870.7671.15
Physics49.9051.1651.5352.1451.93
Average65.1566.1366.5566.6966.60

Vidore V3 (image, crosslingual)

nDCG@10

Dataset641282565121024
Computer science71.3874.4974.9575.5975.48
Energy63.5965.4166.2366.7066.51
Finance (English)59.2562.7863.3663.6763.70
Finance (French)43.4645.0946.0246.2546.55
Human resources57.7259.8160.7660.9860.96
Industrial45.8949.7450.1850.7450.97
Pharmaceuticals64.6666.3666.8667.2567.24
Physics46.8748.3948.4948.7248.71
Average56.6059.0159.6159.9960.02

Recall@10

Dataset641282565121024
Computer science74.1977.2277.5077.9678.17
Energy71.8072.6773.5573.6573.65
Finance (English)64.0667.6068.0768.0368.24
Finance (French)50.7352.4853.5253.7854.21
Human resources61.9364.2965.0265.0064.79
Industrial49.4752.6653.4553.8653.87
Pharmaceuticals67.9268.9269.2469.6269.94
Physics49.3051.0951.5151.7152.04
Average61.1763.3763.9864.2064.36

Vidore V3 (markdown, native)

nDCG@10

Dataset641282565121024
Computer science74.6976.1376.8176.8976.80
Energy65.3466.5867.2467.2167.40
Finance (English)65.9267.9968.3368.4868.82
Finance (French)46.9147.4248.1848.0448.84
Human resources60.4060.9662.1461.7661.94
Industrial53.1954.2954.5754.6054.91
Pharmaceuticals66.0866.5267.2266.8266.73
Physics45.9247.0747.7047.5647.71
Average59.8160.8761.5261.4261.64

Recall@10

Dataset641282565121024
Computer science77.0078.7979.7179.4579.13
Energy73.3474.8075.1775.5175.96
Finance (English)71.2172.6773.1072.8472.58
Finance (French)54.1554.7856.0855.8756.43
Human resources64.9465.5266.6166.0965.88
Industrial54.6155.4456.7056.3156.36
Pharmaceuticals68.5268.9469.9469.5569.22
Physics47.7949.6750.8951.0251.09
Average63.9465.0866.0265.8365.83

Vidore V3 (markdown, crosslingual)

nDCG@10

Dataset641282565121024
Computer science70.1173.1474.1174.4674.65
Energy63.1164.3365.0565.3265.73
Finance (English)56.8159.7260.4861.1460.92
Finance (French)42.2043.8544.5445.1245.57
Human resources54.6457.0357.7958.0058.44
Industrial42.8145.9246.7447.0647.41
Pharmaceuticals61.8663.4264.1664.1064.10
Physics45.8547.4947.8347.8148.13
Average54.6756.8657.5957.8858.12

Recall@10

Dataset641282565121024
Computer science71.8374.9676.0476.0376.31
Energy71.2472.6073.2773.7274.37
Finance (English)62.2064.9365.6366.0365.96
Finance (French)49.2051.2852.2052.9653.21
Human resources59.5761.6962.5462.4163.02
Industrial46.6249.4749.9650.4250.48
Pharmaceuticals65.7767.2467.7467.7667.48
Physics47.7650.1950.6850.7350.98
Average59.2761.5562.2662.5162.73

Pooling performance

Each figure shows image and Markdown retrieval side by side at the full MRL width of 1024 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 1024-dimensional width, with image and Markdown panels for native and crosslingual queries.

Recall@10

Average Recall@10 versus pooling factor at the full 1024-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
210ebf2

0 моделей