Дообучение мультимодальных эмбеддингов с Sentence Transformers: реальный профит или очередной бенчмарк?
За 20 лет я видел тысячу «прорывных» твиков моделей, но это дообучение мультимодального эмбеддера от Qwen действительно работает: 0.947 NDCG на VDR, обгоняя соперников вчетверо больше. Но кто на этом заработает?
⚡ Key Takeaways
- Дообучение Qwen3-VL-Embedding-2B на данных VDR повышает NDCG@10 до 0.947, опережая более крупных конкурентов. 𝕏
- Пайплайн Sentence Transformers удобен для разработчиков в области мультимодальных эмбеддингов и реранкеров. 𝕏
- Реальные результаты требуют данных предметной области; универсальные модели не справляются со специализированными задачами, такими как макеты документов. 𝕏
Worth sharing?
Get the best AI stories of the week in your inbox — no noise, no spam.
Originally reported by Hugging Face Blog
Related Stories
AI Tools
Видеообзоры NotebookLM: лимит в 20 штук в день намекает на планы Google по захвату AI-контента
AI Tools
ReAct-агенты сжигают 90% попыток на фантомные инструменты — вот как это исправить и спасти всё
AI Tools
AI-агенты: новые автономные союзники дата-инженеров (с кодом)
AI Tools