闲社
标题:
腾讯发布EVIE-Preview-4.5B：面向多语言视觉文档检索
[打印本页]
作者:
快乐好
时间:
1 小时前
标题:
腾讯发布EVIE-Preview-4.5B：面向多语言视觉文档检索
腾讯发布 EVIE-Preview-4.5B 视觉文档检索模型
腾讯于 2026 年 8 月 17 日在官方 GitHub 与 Hugging Face 仓库发布
EVIE-Preview-4.5B
。这是一款面向视觉文档检索的多向量编码模型：输入可以是文档页面图片与自然语言查询，输出查询和页面的 token 级向量，再通过晚交互 MaxSim 计算相关性。它的目标是从图表、表格、科学报告、财务文件和扫描表单中找出与问题最相关的页面，而不是直接生成答案。
模型与关键能力
4.54B 参数：
模型以 Qwen3.5-4B 视觉语言模型为骨干，官方模型卡标注 BF16 检查点约 8.5GB，并采用 Apache 2.0 许可证。
128 维原生多向量：
EVIE 将查询 token 和文档视觉 token 投影到 128 维空间，通过 token 级 MaxSim 完成晚交互检索。较窄的向量有助于降低多向量索引的存储与评分开销。
视觉页面直接检索：
文档不必先完整转换为纯文本即可建立页面向量，适合同时包含图片、布局、图表和表格的资料库。
多语言查询：
官方列出的查询语言包括英语、法语、德语、意大利语、西班牙语、葡萄牙语和中文，也覆盖包含日文页面的检索评测。
两档页面预算：
模型训练时使用每页 768 个视觉 token；同一检查点也提供 1792 token 的测试时外推配置，用更大的页面表示换取更高的索引与推理成本。
两条集成路径：
官方提供 ColPali Engine 的推理方式，也给出 Sentence Transformers MultiVectorEncoder 接口，便于接入已有向量检索与 RAG 流程。
适合哪些用户
EVIE 更适合建设企业视觉知识库、财报与合同页面检索、论文图表检索、多语言档案搜索或视觉 RAG 的团队。典型链路是先用 EVIE 找到相关页面，再把页面交给 OCR、视觉语言模型或业务解析器生成答案和结构化结果。
实际影响与限制
它是检索器，不是答案生成器：
模型返回向量和相关性分数，不会直接完成 OCR、摘要或问答；生产系统仍需要后续阅读、生成与引用校验组件。
Preview 版本仍有运行时细节：
ColPali 路径需要在加载后开启双向注意力，并在每次查询前重置 rope_deltas。模型卡称截至发布时的部分 colpali-engine 版本默认使用因果掩码，若漏掉这些步骤会影响结果。
1792 token 属于测试时外推：
官方明确说明训练预算是 768 token，1792 并非重新训练的检查点。不同分辨率和业务文档上的收益需要单独验证。
多向量索引依然不小：
官方估算 100 万页在 BF16 下，768 token 配置约需 179.2GiB 原始索引，1792 token 配置约需 420.5GiB；上线前仍要规划量化、分片、缓存和重排策略。
托管推理未开启：
模型页标记 inference: false，通常需要自行准备 GPU 与推理环境。Sentence Transformers 路径在模型卡发布时还要求从源码安装尚未进入 PyPI 的 6.0.0 版本。
榜单结果应自行复核：
官方模型卡给出了 ViDoRe 评测和复现脚本，但比较结果来自各厂商公开数据与特定设置；本文不据此宣称在所有业务数据上优于其他模型。
官方来源
腾讯官方模型页、架构与部署说明：
tencent/EVIE-Preview-4.5B
腾讯官方代码仓库：
Tencent/EVIE-Preview-4.5B
基础模型页面：
Qwen/Qwen3.5-4B
欢迎光临 闲社 (https://www.xianshe.com/)
Powered by Discuz! X5.0