/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
pytorch
Опубликована
3 мая 2026

multi-modal-embed-large

Сходство предложенийТекст → score

Крупная мультимодальная модель vllm-sr преобразует текст, изображения и аудио в общее пространство эмбеддингов для поиска, маршрутизации и семантического сопоставления.

117скачиваний за 30 дней1лайквеса обновлены2 окт 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

multi-modal-embed-large — крупная мультимодальная модель эмбеддингов проекта vllm-sr для семантической маршрутизации, поиска и сопоставления текста, изображений и аудио. Она предназначена для производственных систем, где запросы и документы могут поступать в разных модальностях; модель не генерирует ответы и не рассчитана на чат.

Модель использует архитектуру tri-encoder: отдельные энкодеры текста, изображений и аудио проецируют данные в общее пространство эмбеддингов размерности 768. Текстовый энкодер основан на vllm-sr/mmbert-embed-32k-2d-matryoshka, визуальный — на google/siglip2-so400m-patch14-384, аудиоэнкодер — на openai/whisper-medium. Максимальная длина текста — 32 768 токенов; текстовый энкодер заявлен как многоязычный. Модель обучалась с cached multiple negatives ranking loss; в README приведены eval_loss 0,389702 и eval_top1 0,861707 для внутреннего пути проверки retrieval.

Репозиторий содержит экспорт весов PyTorch и исходный пакет hf_st_mm; это не стандартный чекпойнт Transformers с автоматической загрузкой, для инференса требуется код из пакета. Метрики получены на внутренней валидации, а не на публичном бенчмарке. Лицензия — Apache-2.0.

Сценарии применения

  • поиск изображений по текстовому запросу
  • поиск аудиозаписей по текстовому описанию
  • поиск похожих текстов и документов
  • сопоставление аудио, изображений и текстовых запросов
  • маршрутизация мультимодальных запросов по смыслу

Ограничения

Это пользовательский экспорт PyTorch, а не стандартная модель Transformers с автоматической загрузкой: для инференса нужен пакет исходного кода hf_st_mm. Приведённые метрики относятся к внутренней retrieval-валидации и не сопоставлены с публичным бенчмарком.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

multi-modal-embed-large

multi-modal-embed-large is the large production multimodal embedding model from the vllm-sr project.

It is designed for routing, retrieval, and cross-modal matching across text, image, and audio rather than for generative chat. The model uses a tri-encoder architecture with separate text, image, and audio towers projected into one shared embedding space.

Purpose

This release exists to provide a large multimodal embedding model for production systems where inputs may arrive as text, screenshots or images, and audio. It is built for semantic routing, multimodal retrieval, and cross-modal similarity.

What Is In This Repository

This repository contains the minimum artifacts needed to load and run the exported model:

  • model.pt: trained weights for the final exported model
  • config.json: model configuration and encoder names
  • src/hf_st_mm/...: the Python source package used to construct and run the tri-encoder
  • README.md: this model card, including usage examples and validation summary

This is not a generic Hugging Face Transformers checkpoint with a built-in auto-class loader. It is a packaged custom PyTorch model export.

Advantages And Innovation

Most multimodal models are optimized for generation, captioning, or chat. This model is optimized for embeddings and operational use.

What is different here:

  • map text, image, and audio into one shared semantic space
  • support routing and retrieval instead of text generation
  • preserve a strong multilingual text backbone
  • use stronger modality-specific encoders instead of forcing every modality into one monolithic checkpoint
  • support production training and evaluation on cached shard datasets

Model Overview

This release packages the large routing-grade tri-encoder trained in PyTorch with the server training stack from this project.

Architecture:

  • text encoder: vllm-sr/mmbert-embed-32k-2d-matryoshka
  • image encoder: google/siglip2-so400m-patch14-384
  • audio encoder: openai/whisper-medium
  • shared embedding dimension: 768
  • max text length: 32768

Training characteristics:

  • objective: cached multiple negatives ranking loss
  • training stack: PyTorch + Accelerate
  • target hardware: AMD MI300X
  • data pipeline: cached tensor shards with sequential shard loading and worker-local prefetch

How To Use It

Installation

pip install torch sentence-transformers transformers accelerate safetensors pillow librosa soundfile huggingface_hub

Python Usage

The simplest way to use the model is to download the repository snapshot, load the packaged source code, and then encode one or more modality-tagged items.

import json
import os
import sys

import torch
from huggingface_hub import snapshot_download

repo_id = "vllm-sr/multi-modal-embed-large"
local_dir = snapshot_download(repo_id=repo_id)

sys.path.insert(0, os.path.join(local_dir, "src"))

from hf_st_mm.data import PairItem
from hf_st_mm.model import MultiModalSentenceEmbedder

with open(os.path.join(local_dir, "config.json"), "r", encoding="utf-8") as handle:
    cfg = json.load(handle)

model = MultiModalSentenceEmbedder(
    text_encoder_name=cfg["model"]["text_encoder_name"],
    image_encoder_name=cfg["model"]["image_encoder_name"],
    audio_encoder_name=cfg["model"]["audio_encoder_name"],
    embedding_dim=int(cfg["model"]["embedding_dim"]),
    max_text_length=int(cfg["model"]["max_text_length"]),
)
state_dict = torch.load(os.path.join(local_dir, "model.pt"), map_location="cpu")
model.load_state_dict(state_dict)
model.eval()

items = [
  PairItem(modality="text", value="route this request to the billing team"),
    PairItem(modality="image", value="/path/to/screenshot.png"),
    PairItem(modality="audio", value="/path/to/call.wav"),
]

with torch.no_grad():
    embeddings = model.encode_items(items)

print(embeddings.shape)  # [3, 768]

import torch.nn.functional as F

query = PairItem(modality="text", value="refund request for wrong charge")
candidate = PairItem(modality="audio", value="/path/to/refund_call.wav")

with torch.no_grad():
    embs = model.encode_items([query, candidate])

similarity = F.cosine_similarity(embs[0:1], embs[1:2]).item()
print(f"similarity={similarity:.4f}")

Validation Snapshot

At upload time, the final export was evaluated with the repository's tri-encoder evaluator.

  • eval_loss: 0.389702
  • eval_top1: 0.861707

Practical Notes

  • Text inputs can be provided as raw strings or tokenized features.
  • Image and audio inputs can be provided as file paths.
  • Cached tensor payloads are supported by the training stack, but the simplest inference path is to use file paths or raw text.
  • This release is intended for production retrieval and routing use cases rather than for instruction-following or caption generation.

Limitations

  • This is a custom tri-encoder export, not a standard Transformers auto-class package.
  • Inference currently relies on the packaged hf_st_mm source code.
  • The validation metrics reported here come from the repository's cached retrieval validation path, not from a public benchmark leaderboard.

Training Code

Training and evaluation code live in the server training project that produced this checkpoint.

  • trainer: scripts/train_st_multimodal.py
  • evaluator: scripts/evaluate_tri_encoder.py
  • model: src/hf_st_mm/model.py

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
0b69c0b

0 моделей