GPT
הוספת כלי
Q

Qwen3-VL-Reranker-8B

קוד פתוח

Qwenapache-2.02026-01-07

  • transformers
  • safetensors
  • qwen3_vl
  • image-text-to-text
  • sentence-transformers

יש כאן גם סקירה על Qwen עצמו.

ריראנקר מולטימודלי שמדרג התאמה בין טקסט, תמונות, וידאו וצילומי מסך. הוא מיועד לשלב השני בחיפוש מורכב שבו מודל וקטורי פשוט מפספס הקשר חזותי.

  • 8.8Bפרמטרים
  • 262,144טוקנים בהקשר
  • 16.3 GBמשקל הקבצים
  • 29,857הורדות בחודש

מה זה

מערכות חיפוש רגילות שמבוססות על טקסט בלבד מתקשות כשצריך להשוות בין שאילתה לבין קובץ PDF, צילום מסך או סרטון. הדגם הזה מקבל זוגות של שאילתה ומסמך בכל שילוב מדיה אפשרי, ומוציא ציון התאמה מדויק. הוא תומך בלמעלה מ־30 שפות ומאפשר להגדיר הוראות מותאמות אישית לכל משימה, מה שמשפר את התוצאות באחוזים בודדים.

במבחני ביצועים הוא עוקף את הדגמים הקטנים יותר בסדרה ובנצ'מרקים קיימים. במדד MMEB-v2 הוא מגיע לציון ממוצע של 79.2 לעומת 75.1 בגרסת ה־2B, ובשליפת מסמכים ויזואליים במדד ViDoRe v3 הוא משיג 66.7 לעומת 60.8. הפער הזה מורגש בעיקר כשעובדים עם תמונות ומסמכים סרוקים, אבל בחיפוש וידאו הוא מקבל ציון נמוך יחסית של 55.8, כך ששם השיפור מוגבל בהרבה.

מתאים ל

  • חיפוש במסמכים סרוקים

    דירוג מחדש של עמודי PDF וצילומי מסך מול שאילתות משתמשים לפי תוכן טקסטואלי וויזואלי יחד.

  • שליפת מוצרים לפי תמונה

    התאמה מדויקת בין תיאור טקסטואלי חופשי לתמונות של פריטים בקטלוג מסחר אלקטרוני.

  • שלב שני במערכות RAG

    סינון עשרות התוצאות הראשונות שחזרו ממסד נתונים וקטורי כדי להגיש למודל השפה רק את המידע הרלוונטי.

איפה זה נופל

החולשה העיקרית שלו מופיעה בחיפוש וידאו, שם המדדים נמוכים משמעותית משאר המשימות ועומדים על 55.8 בלבד. מעבר לזה, המפתחים מציינים שהוספת הוראות באנגלית משפרת את הדיוק בעד 5%, מה שמעיד על כך שעיקר האימון נעשה באנגלית. אם תזינו שאילתות או הוראות בעברית, אתם עלולים לראות ירידה בדיוק לעומת שפת המקור, וחובה לבדוק את זה ידנית על הדאטה שלכם לפני שמעלים לפרודקשן.

אותה משפחה

Qwen3-VL-Reranker יצא ב־2 גרסאות שיש להן עמוד כאן. אלה האחרות, לפי כמה מורידים אותן.

Qwen3-VL-Reranker-2B1,761,819

שאלות
נפוצות

האם המודל מייצר וקטורים שאפשר לשמור בבסיס נתונים?

לא. זהו מודל דירוג ולא מודל הטמעה. הוא מקבל בו זמנית את השאילתה ואת המסמך ומחזיר ציון התאמה מספרי ביניהם, כך שמשתמשים בו על כמות קטנה של תוצאות שכבר נשלפו מראש.

איך המודל מתמודד עם שאילתות בעברית?

הוא תומך ביותר מ־30 שפות, אך המפתחים מבהירים שאימון ההוראות נעשה באנגלית וממליצים להשתמש בהוראות באנגלית לקבלת תוצאות מיטביות. כדאי לבדוק את איכות ההתאמה בטקסטים עבריים מורכבים לפני שמסתמכים עליו.

איך מריצים

כדי להריץ אותו מקומית צריך לפרוק 16.3 גיגה-בייט של משקלים, מה שאומר שכרטיס מסך ביתי רגיל לא יספיק. בפועל תצטרכו מעבד גרפי עם 24 גיגה-בייט זיכרון לפחות, כמו RTX 3090 או כרטיס שרתים תואם, במיוחד אם מנצלים את חלון ההקשר הגדול ורצים דרך vLLM או Transformers.

אם אין לכם תשתית כזו פנויה, גרסת ה־2B עשויה להיות בחירה מעשית יותר לבדיקות ראשוניות. מומלץ להריץ שרת עצמאי רק אם השאילתות שלכם כוללות מידע פנימי שאסור להוציא החוצה, או כשיש לכם נפח בקשות שמצדיק החזקת שרת ייעודי.

from transformers import pipeline

pipe = pipeline("text-ranking", model="Qwen/Qwen3-VL-Reranker-8B")
print(pipe("שלום"))

הקבצים

24 קבצים במאגר, 16.3 GB סך הכול. הקישורים מובילים ישירות ל־Hugging Face.

הרישיון

הפרויקט משוחרר ברישיון apache-2.0, שמאפשר שימוש מסחרי חופשי, שינוי של הקוד והפצה פנימית או חיצונית במוצר שלכם. התנאי היחיד הוא שמירה על הודעת זכויות היוצרים ומסמך הרישיון המקורי, בלי חובה לחשוף את הקוד של המוצר שבו שילבתם אותו.

  • שימוש מסחרי
  • שינוי הקוד
  • הפצה מחדש
  • שימוש בפטנטים

הרישיון המלא בעמוד המודל ↗