模型详情
模型介绍
中文整理VisME (Qwen2.5-VL-7B)
English 简体中文
VisME** 是我们 CVPR 2026 论文 *Illuminating Visual Identity in Universal Multimodal Embeddings* 提出的通用多模态嵌入模型。VisME 基于 Qwen2.5-VL-7B-Instruct 构建,可为图片、文本以及图文对生成稠密嵌入,在通用多模态基准(**MMEB**)和视觉 ID 检索(**MVEB**)上均有出色表现。
亮点
- *ID 感知检索** —— 通过 MVEB 基准(4 类元任务、28 个测试子集)引入视觉 ID 监督进行训练。
- *通用能力强** —— 在 **MMEB-v1** 与 **MVEB** 上联合训练,在标准 MMEB 任务上保持有竞争力的表现。
性能
下图为 **MMEB**(Cls / VQA / Ret / Grd)与 **MVEB**(ID-Rec / Re-ID / ID-Grd / ID-Edit)上的结果。指标与论文一致(各任务组内所有数据集的平均 Precision@1)。
训练数据
VisME 在以下数据的混合集上训练:
基准 作用
- ----- ------
- *MMEB-v1** 通用多模态嵌入任务(分类、VQA、检索、定位)
- *MVEB** 覆盖识别、Re-ID、定位与编辑的视觉 ID 检索
MVEB** 数据集已开源,训练代码即将发布。
使用方法
评测
MMEB 与 MVEB 的基准评测代码**即将发布**。在此之前,完整的实验设置与基线请参见论文。
引用
如果 VisME 或 MVEB 对您有帮助,请引用:
许可
本模型基于 Qwen2.5-VL-7B-Instruct 构建。请遵循基础模型以及训练所用各数据集的许可条款。
优先采用原作者提供的中文模型卡片;仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件;指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖,请按作者说明配齐。
完整仓库可能包含多个权重格式,因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行环境运行模型需要的设备、工具与依赖,以原作者说明为准。
授权范围是否允许商用、修改和分发,请查看模型许可证。
闲社提供资料与镜像下载方法,不代表已运行模型或完成安全审计。下载的代码应先检查,再执行。
资料或下载有问题?
登录后可提交反馈。