/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Размер весов
7,5 ГБ
Лицензия
MIT
Архитектура
qwen2_5_vl · dense
Библиотека
transformers
Опубликована
24 авг 2025

MoLoRAG-QwenVL-3B

Языковая модельИзображение, текст → embedding7 профессий

Модель Qwen2.5-VL для поиска логически и семантически релевантных страниц в многостраничных документах для задач ответов на вопросы.

46скачиваний за 30 дней2лайкавеса обновлены15 сен 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

MoLoRAG-QwenVL-3B — модель xxwu для мультимодального поиска страниц в многостраничных документах и построения ответов на вопросы по документам. Это плотная модель семейства Qwen2.5-VL с 3,1 млрд параметров и контекстом до 128 000 токенов, реализованная для Transformers и сохранённая в safetensors.

Модель использует граф страниц, чтобы учитывать смысловые и логические связи между ними. Она извлекает наиболее релевантные страницы, которые затем можно передать другой большой vision-language модели для ответа на вопрос. MoLoRAG описывает как вариант без обучения, так и дообученную версию для проверки логической релевантности; данный репозиторий содержит модель для visual document retrieval.

Модель предназначена для поиска информации и подготовки ответов по многостраничным документам, включая сценарии DocQA. Лицензия репозитория — MIT. Карточка не уточняет поддерживаемые языки документов и конкретные ограничения качества.

Сценарии применения

  • поиск релевантных страниц для ответа на вопрос по документу
  • извлечение связанных страниц из многостраничного документа
  • подготовка контекста для мультимодальной системы вопросов и ответов
  • поиск страниц по смысловым и логическим связям

Ограничения

Для формирования окончательного ответа извлечённые страницы следует передавать отдельной vision-language модели. В карточке не указаны языки документов и количественные оценки качества.

Для каких профессий подходит7

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

MoLoRAG: Bootstrapping Document Understanding via Multi-modal Logic-aware Retrieval

This repository contains the MoLoRAG model, a logic-aware retrieval framework for multi-modal, multi-page document understanding, as presented in the paper MoLoRAG: Bootstrapping Document Understanding via Multi-modal Logic-aware Retrieval.

MoLoRAG introduces a novel approach to Document Question Answering (DocQA) by constructing a page graph to capture contextual and logical relationships between pages. A lightweight VLM performs graph traversal to retrieve relevant pages, combining both semantic and logical relevance for more accurate retrieval. The top-K retrieved pages are then fed into arbitrary Large Vision-Language Models (LVLMs) for question answering. The framework offers both a training-free solution for easy deployment and a fine-tuned version for enhanced logical relevance checking.

For more details, please refer to the official GitHub repository.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Поиск по документам-картинкам пока не поддерживается.

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
014d66b

0 моделей