/ Модель

Характеристики

Контекст
8 192 токена
Лицензия
MIT
Архитектура
idefics3 · dense
Базовая модель
SmolVLM-500M-Instruct
Библиотека
colpali
Опубликована
23 янв 2025

ColSmolVLM-Instruct-500M-base

Языковая модель

Экспериментальная нетренированная модель ViDoRe на базе SmolVLM для создания многовекторных представлений текста и изображений в системах визуального поиска по документам.

0скачиваний за 30 дней1лайквеса обновлены7 фев 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

ColSmolVLM-Instruct-500M-base — экспериментальная модель визуального поиска, разработанная ViDoRe на основе HuggingFaceTB/SmolVLM-500M-Instruct. Она использует архитектуру Idefics3 и стратегию ColBERT для создания многовекторных представлений текста и изображений, чтобы индексировать документы по визуальным признакам. Репозиторий содержит нетренированную базовую версию, предназначенную для детерминированной инициализации проекционного слоя.

Модель рассчитана на построение систем поиска по документам и визуально насыщенным материалам. Указана лицензия MIT. Поскольку эта версия не обучена, её готовность к прикладному поиску ограничена; практическая ценность описанных представлений зависит от последующего обучения.

Сценарии применения

  • индексация документов по визуальным признакам
  • построение поискового индекса на основе изображений страниц
  • эксперименты с многовекторным поиском по тексту и изображениям

Ограничения

Это нетренированная базовая версия с детерминированной инициализацией проекционного слоя; для практического поиска требуется обучение. Описание не приводит результатов оценки качества.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ColSmolVLM-500M-Instruct: Visual Retriever based on SmolVLM-500M-Instruct with ColBERT strategy

ColSmolVLM is a model based on a novel model architecture and training strategy based on Vision Language Models (VLMs) to efficiently index documents from their visual features. It is a SmolVLM extension that generates ColBERT- style multi-vector representations of text and images. It was introduced in the paper ColPali: Efficient Document Retrieval with Vision Language Models and first released in this repository

This version is the untrained base version to guarantee deterministic projection layer initialization.

License

ColSmol's vision language backbone model (ColSmolVLM) is under apache2.0 license. The adapters attached to the model are under MIT license.

Contact

Citation

If you use any datasets or models from this organization in your research, please cite the original dataset as follows:

@misc{faysse2024colpaliefficientdocumentretrieval,
  title={ColPali: Efficient Document Retrieval with Vision Language Models}, 
  author={Manuel Faysse and Hugues Sibille and Tony Wu and Bilel Omrani and Gautier Viaud and Céline Hudelot and Pierre Colombo},
  year={2024},
  eprint={2407.01449},
  archivePrefix={arXiv},
  primaryClass={cs.IR},
  url={https://arxiv.org/abs/2407.01449}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · colpali

Нельзя запустить

У модели не указана задача.

Класс архитектуры
ColIdefics3
Ревизия весов
650243e

0 моделей