К содержимому
Другое

ColQwen3.5-4.5B-v4

поиск по визуальным документам на базе Qwen3.5-4B

2 мин чтенияобновлено

Модель ColQwen3.5-4.5B-v4 от автора athrael-soju решает задачу визуального поиска по документам (visual document retrieval): она сопоставляет текстовый запрос напрямую со страницами PDF, графиками и сканами без предварительного распознавания текста. В основе лежит архитектура Qwen3.5-4B с двунаправленным вниманием (bidirectional attention), а сама сеть насчитывает 4.54 млрд параметров и работает по принципу позднего взаимодействия (late-interaction) — каждый запрос и страница превращаются в набор токен-векторов, релевантность которых оценивается через метрику MaxSim. От базовой модели решение отличается специализацией под многовекторный поиск и поддержкой Matryoshka-эмбеддингов (метода, позволяющего обрезать векторы без сильной потери точности). Инструмент пригодится разработчикам мультимодальных RAG-систем и корпоративных поисковиков по сложным отчётам.

Ключевые особенности

  • Гибкая размерность векторов: проекция обучена с префиксами Matryoshka на 64, 128, 256, 512, 1024 и 2048 измерений, что позволяет уменьшить размер индекса от 2 до 32 раз.
  • Многостадийная дистилляция: версия v4 обучена с помощью более крупной модели-учителя и реранкера, отсеивающего ложноотрицательные примеры, через объединение LoRA-адаптеров.
  • Поддержка шести языков: в метаданных заявлена работа с английским, французским, немецким, испанским, итальянским и португальским языками.
  • Открытая лицензия: модель распространяется под лицензией Apache 2.0 и совместима с библиотекой sentence-transformers.

Что можно сделать

  • Встроить в пайплайн мультимодального RAG для поиска ответов по финансовым, медицинским и научным отчётам со сложными таблицами и диаграммами.
  • Собрать компактный векторный индекс для больших архивов сканов, обрезав векторы до 64 или 256 измерений ради экономии памяти.
  • Использовать для ранжирования страниц документов по текстовым вопросам без промежуточного OCR-парсинга.

Пример

from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder("athrael-soju/ColQwen3.5-4.5B-v4")
queries = ["Total outlay is maximum in which year?"]
images = ["[https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc2.jpg](https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc2.jpg)"]

q_emb = model.encode_query(queries)
i_emb = model.encode_document(images)
scores = model.similarity(q_emb, i_emb)
ПодробнееБенчмарки (nDCG, 2048-d, 1792 визуальных токена): ViDoRe V1 Mean — 93.09 (nDCG@5), ViDoRe V2 Mean — 69.78 (nDCG@5), ViDoRe V3 Mean — 67.14 (nDCG@10).
Требования к ПО: нужны transformers>=5.2.0 и sentence-transformers[image]>=6.0.0.
Ограничения: старые версии transformers игнорируют флаг is_causal: false и выдают некорректные эмбеддинги.
Формат весов: BF16, 4.5B параметров.
Обсудить Telegram 2 30

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 8.5 GB · готовые файлы9.8 GB
  • FP8 / INT8рекомендуемвеса 4.2 GB5.2 GB
  • 4-bitвеса 2.4 GB3.1 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 3080

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # athrael-soju/ColQwen3.5-4.5B-v4
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download athrael-soju/ColQwen3.5-4.5B-v4 --local-dir ~/models/ColQwen3.5-4.5B-v4
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к ColQwen3.5-4.5B-v4
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

Qwen/Qwen3.5-4B
  1. Qwen3.5-4B-Baseоснова семьи
  2. Qwen3.5-4B
  3. ColQwen3.5-4.5B-v4

Новые посты про версии Qwen3.5-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

athrael-soju/ColQwen3.5-4.5B-v4
Автор
athrael-soju
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

302

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Signpost-Jev-4B

Signpost-Jev-4B
Языковые модели

TeachMaster Coder

TeachMaster Coder