/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Библиотека
transformers
Опубликована
29 сен 2025

UME-R1-2B

Изображение и текст → текст8 профессий

Мультимодальная модель на базе Qwen2-VL для получения дискриминативных и генеративных эмбеддингов текста, изображений и видео.

539скачиваний за 30 дней6лайковвеса обновлены10 ноя 2025

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки50

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

  • WorldSense1MinVideoCentricQA

    main_score

    Результат

    0,3247

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundV

    main_score

    Результат

    0,4471

    MTEB

    Публичная таблицаревизия совпадает

  • BreakfastZeroShot

    main_score

    Результат

    0,3695

    MTEB

    Публичная таблицаревизия совпадает

  • Shot2Story20KV2TRetrieval

    main_score

    Результат

    0,9262

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics700V

    main_score

    Результат

    0,5169

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSenseVideoClassification

    main_score

    Результат

    0,6743

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSAVVPairClassification

    main_score

    Результат

    0,6256

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics400V

    main_score

    Результат

    0,6187

    MTEB

    Публичная таблицаревизия совпадает

  • HumanAnimalCartoonVPairClassification

    main_score

    Результат

    0,8212

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQACLSVideoZeroShot

    main_score

    Результат

    0,6131

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoClustering

    main_score

    Результат

    0,9027

    MTEB

    Публичная таблицаревизия совпадает

  • TUNABenchT2VRetrieval

    main_score

    Результат

    0,9442

    MTEB

    Публичная таблицаревизия совпадает

  • WorldQAVideoCentricQA

    main_score

    Результат

    0,444

    MTEB

    Публичная таблицаревизия совпадает

  • YouCook2V2TRetrieval

    main_score

    Результат

    0,3704

    MTEB

    Публичная таблицаревизия совпадает

  • ActivityNetCaptionsT2VRetrieval

    main_score

    Результат

    0,6163

    MTEB

    Публичная таблицаревизия совпадает

  • VALOR32KT2VRetrieval

    main_score

    Результат

    0,5248

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVideoClassification

    main_score

    Результат

    0,1641

    MTEB

    Публичная таблицаревизия совпадает

  • Diving48Classification.V2

    main_score

    Результат

    0,0362

    MTEB

    Публичная таблицаревизия совпадает

  • MELDEmotionVideoClustering

    main_score

    Результат

    0,0096

    MTEB

    Публичная таблицаревизия совпадает

  • DiDeMoV2TRetrieval

    main_score

    Результат

    0,5935

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClustering

    main_score

    Результат

    0,7802

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeVideoClassification

    main_score

    Результат

    0,4878

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVideoZeroShot

    main_score

    Результат

    0,2534

    MTEB

    Публичная таблицаревизия совпадает

  • Kinetics400ZeroShot

    main_score

    Результат

    0,6275

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundVideoZeroshot

    main_score

    Результат

    0,4156

    MTEB

    Публичная таблицаревизия совпадает

  • MusicAVQAVPairClassification

    main_score

    Результат

    0,726

    MTEB

    Публичная таблицаревизия совпадает

  • AVSpeakerBenchVideoCentricQA

    main_score

    Результат

    0,2905

    MTEB

    Публичная таблицаревизия совпадает

  • ActivityNetCaptionsV2TRetrieval

    main_score

    Результат

    0,5988

    MTEB

    Публичная таблицаревизия совпадает

  • VALOR32KV2TRetrieval

    main_score

    Результат

    0,5619

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSense1MinDomainVideoClustering

    main_score

    Результат

    0,4226

    MTEB

    Публичная таблицаревизия совпадает

  • WorldSenseVideoZeroShot

    main_score

    Результат

    0,3926

    MTEB

    Публичная таблицаревизия совпадает

  • HMDB51Clustering

    main_score

    Результат

    0,6947

    MTEB

    Публичная таблицаревизия совпадает

  • AVEDatasetVideoClassification

    main_score

    Результат

    0,5687

    MTEB

    Публичная таблицаревизия совпадает

  • MELDVPairClassification

    main_score

    Результат

    0,5141

    MTEB

    Публичная таблицаревизия совпадает

  • YouCook2T2VRetrieval

    main_score

    Результат

    0,346

    MTEB

    Публичная таблицаревизия совпадает

  • AudioCapsAVT2VRetrieval

    main_score

    Результат

    0,251

    MTEB

    Публичная таблицаревизия совпадает

  • AVSpeakerBenchPairClassification

    main_score

    Результат

    0,9737

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVideoClustering

    main_score

    Результат

    0,1493

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundAVT2VRetrieval

    main_score

    Результат

    0,9594

    MTEB

    Публичная таблицаревизия совпадает

  • OmniVideoBenchVideoCentricQA

    main_score

    Результат

    0,2515

    MTEB

    Публичная таблицаревизия совпадает

  • DiDeMoT2VRetrieval

    main_score

    Результат

    0,5863

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeExamT2VRetrieval

    main_score

    Результат

    0,3837

    MTEB

    Публичная таблицаревизия совпадает

  • VinogroundPairClassification

    main_score

    Результат

    0,5337

    MTEB

    Публичная таблицаревизия совпадает

  • VideoMMEShortVideoCentricQA

    main_score

    Результат

    0,4511

    MTEB

    Публичная таблицаревизия совпадает

  • VGGSoundAVV2TRetrieval

    main_score

    Результат

    0,962

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101VideoZeroShotClassification

    main_score

    Результат

    0,7623

    MTEB

    Публичная таблицаревизия совпадает

  • MELDSpeakerVideoClustering

    main_score

    Результат

    0,324

    MTEB

    Публичная таблицаревизия совпадает

  • AVMemeVideoZeroShot

    main_score

    Результат

    0,1878

    MTEB

    Публичная таблицаревизия совпадает

  • MSVDV2TRetrieval

    main_score

    Результат

    0,7951

    MTEB

    Публичная таблицаревизия совпадает

  • RAVDESSVZeroShot

    main_score

    Результат

    0,2875

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

UME-R1-2B — модель семейства Qwen2-VL, представленная в виде плотной архитектуры с 1,5 млрд параметров. По карточке, модель прошла этап обучения с учителем для холодного старта и этап обучения с подкреплением. Она формирует эмбеддинги текста, изображений, нескольких изображений и видео; доступны дискриминативные и генеративные представления. Для генеративных эмбеддингов описан потенциал масштабирования за счёт повторных выборок во время вывода.

Контекст составляет 32 768 токенов. Модель предназначена для мультимодального поиска и сопоставления представлений; карточка сообщает о преимуществах в оценках относительно дискриминативных эмбеддингов, но не приводит датасеты и численные результаты. Использование предполагает библиотеку Transformers и формат safetensors. Лицензия — Apache-2.0.

Сценарии применения

  • создание эмбеддингов для текстового поиска
  • поиск изображений по текстовому запросу
  • сопоставление текста и изображений
  • поиск по коллекции видео
  • получение представлений для нескольких изображений

Ограничения

В карточке не приведены сведения о датасетах обучения и оценки, численные метрики или подробные инструкции по применению. Заявления о превосходстве сопровождаются без конкретных результатов.

Для каких профессий подходит8

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

UME-R1-2B

Model Summary

The model has undergone a cold-start SFT stage and an RL stage of training, and is capable of embedding text, images, multiple images, and videos. In particular, UME-R1 can generate either discriminative or generative embeddings as needed, and the generative embeddings possess the potential for test-time scaling.

Train/Eval Data

Model Performance

UME-R1 significantly outperforms discriminative embeddings and can provide discriminative or generative representations as needed. Its oracle performance—selecting the best between discriminative and generative—far exceeds using either mode alone.

In addition, UME-R1 can produce improved embedding representations through repeated sampling, indicating that generative embeddings also hold strong promise for inference-time scaling.

Quick Start

First clone our github

git clone https://github.com/DeepLearnXMU/UME-R1
cd UME-R1
bash setup.sh

Below, we provide simple examples to show how to use UME-R1 with 🤗 Transformers.

Example of obtaining generative embeddings:

from transformers import Qwen2VLForConditionalGeneration,AutoProcessor
from qwen_vl_utils import process_vision_info
import torch

model = Qwen2VLForConditionalGeneration.from_pretrained(
    "zhibinlan/UME-R1-2B",
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    device_map="cuda:0",
)

processor = AutoProcessor.from_pretrained("zhibinlan/UME-R1-2B")

prompt = '''Represent the above input text, images, videos, or any combination of the three as embeddings. 
First output the thinking process in <think> </think> tags and then summarize the entire input in a word or sentence. 
Finally, use the <gen_emb> tag to represent the entire input.'''



messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "assets/example.jpg",
            },
            {"type": "text", "text": "Represent the given image with the following question: What is in the image?\n<disc_emb>\n" + prompt},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)

image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to(model.device)

# Inference: Generation of the output
generated_output = model.generate(**inputs, max_new_tokens=8192, output_hidden_states=True, return_dict_in_generate=True, use_cache=True)
# Post-process the output
generated_ids = generated_output.sequences
hidden_states = generated_output.hidden_states

generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]

def get_embedding_idx(generated_ids_trimmed, EMBEDDING_TOKEN_ID):

    embedding_idx = []
    for i, out_ids in enumerate(generated_ids_trimmed):
        embed_exist = False
        for j in range(len(out_ids) - 1, -1, -1):
            if out_ids[j] == EMBEDDING_TOKEN_ID:
                embedding_idx.append(j + 1)
                embed_exist = True
                break
        if not embed_exist:
            embedding_idx.append(-1)

    return embedding_idx

def normalize_reps(reps):
    reps = torch.nn.functional.normalize(reps, p=2, dim=-1)
    return reps

# Get the last hidden state of the <gen_emb> token
embedding_idx = get_embedding_idx(generated_ids_trimmed, processor.tokenizer.get_vocab()["<gen_emb>"])
embedding_reps = hidden_states[embedding_idx[0]][-1].squeeze(1)

# Normalize the representations
embedding_reps = normalize_reps(embedding_reps)

output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=False, clean_up_tokenization_spaces=False
)
from transformers import Qwen2VLForConditionalGeneration,AutoProcessor
from qwen_vl_utils import process_vision_info
import torch

pretrained_path = "zhibinlan/UME-R1-2B"

# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
model = Qwen2VLForConditionalGeneration.from_pretrained(
    pretrained_path,
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    device_map="cuda:0",
)

# default processor
processor = AutoProcessor.from_pretrained(pretrained_path)

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "UME-R1/assets/example.jpg",
            },
            {"type": "text", "text": "Represent the given image with the following question: What is in the image?\n<disc_emb>\n"},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)

image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to(model.device)

def get_embedding_idx(generated_ids_trimmed, EMBEDDING_TOKEN_ID):

    embedding_idx = []
    # Search from the last token forward
    for i, out_ids in enumerate(generated_ids_trimmed):
        embed_exist = False
        for j in range(len(out_ids) - 1, -1, -1):
            if out_ids[j] == EMBEDDING_TOKEN_ID:
                embedding_idx.append(j)
                embed_exist = True
                break
        if not embed_exist:
            embedding_idx.append(-1)

    return embedding_idx

def normalize_reps(reps):
    # Normalize the representations
    reps = torch.nn.functional.normalize(reps, p=2, dim=-1)
    return reps

output = model(**inputs, output_hidden_states=True, return_dict=True)
hidden_states = output.hidden_states[-1][0]
# print("output.hidden_states shape: ", hidden_states.shape)
embedding_idx = get_embedding_idx(inputs['input_ids'], processor.tokenizer.get_vocab()["<disc_emb>"])

# Get the last hidden state of the <gen_emb> token
embedding_reps = hidden_states[embedding_idx[0]]

# Normalize the representations
embedding_reps = normalize_reps(embedding_reps)
# Messages containing multiple images and a text query
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "file:///path/to/image1.jpg"},
            {"type": "image", "image": "file:///path/to/image2.jpg"},
            {"type": "text", "text": "Represent the given images."},
        ],
    }
]
# Messages containing a images list as a video and a text query
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "video",
                "video": [
                    "file:///path/to/frame1.jpg",
                    "file:///path/to/frame2.jpg",
                    "file:///path/to/frame3.jpg",
                    "file:///path/to/frame4.jpg",
                ],
            },
            {"type": "text", "text": "Represent this video."},
        ],
    }
]

# Messages containing a local video path and a text query
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "video",
                "video": "file:///path/to/video1.mp4",
                "max_pixels": 360 * 420,
                "fps": 1.0,
            },
            {"type": "text", "text": "Represent this video."},
        ],
    }
]

# Messages containing a video url and a text query
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "video",
                "video": "https://path/to/video.mp4",
                "min_pixels": 4 * 28 * 28,
                "max_pixels": 256 * 28 * 28,
                "total_pixels": 20480 * 28 * 28,
            },
            {"type": "text", "text": "Represent this video."},
        ],
    }
]
image_inputs, video_inputs, video_kwargs = process_vision_info(messages, return_video_kwargs=True)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    fps=fps,
    padding=True,
    return_tensors="pt",
    **video_kwargs,
)

For more usage tips, please refer to our Github page.

Citation

If you find our work useful, please consider citing it.

@article{lan2025ume,
  title={UME-R1: Exploring Reasoning-Driven Generative Multimodal Embeddings},
  author={Lan, Zhibin and Niu, Liqiang and Meng, Fandong and Zhou, Jie and Su, Jinsong},
  journal={arXiv preprint arXiv:2511.00405},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
e7aaa25

0 моделей