README.md

metadata

library_name: transformers
tags: []

Model Details

Model Description

Dataset: GreenNode/GreenNode-Table-Markdown-Retrieval

Model Name	MAP@5 ↑	MRR@5 ↑	NDCG@5 ↑	Recall@5 ↑	Mean ↑
Multilingual Embedding models
me5_small	33.75	33.75	35.68	41.49	36.17
me5_large	38.16	38.16	40.27	46.62	40.80
M3-Embedding	36.52	36.52	38.60	44.84	39.12
OpenAI-embedding-v3	30.61	30.61	32.57	38.46	33.06
Vietnamese Embedding models (Prior Work)
halong-embedding	32.15	32.15	34.13	40.09	34.63
sup-SimCSE-VietNamese-phobert_base	10.90	10.90	12.03	15.41	12.31
vietnamese-bi-encoder	13.61	13.61	14.63	17.68	14.89
GreenNode-Embedding
M3-GN-VN	41.85	41.85	44.15	57.05	46.23
M3-GN-VN-Mixed	42.08	42.08	44.33	51.06	44.89
Ours – Multi-vector embedding
Vintern-Embedding-1B	57.01	57.01	59.17	65.65	59.71

Dataset: GreenNode/zalo-ai-legal-text-retrieval-vn

Model Name	MAP@5 ↑	MRR@5 ↑	NDCG@5 ↑	Recall@5 ↑	Mean ↑
Multilingual Embedding models
me5_small	54.68	54.37	58.32	69.16	59.13
me5_large	60.14	59.62	64.17	76.02	64.99
M3-Embedding	69.34	68.96	73.70	86.68	74.67
OpenAI-embedding-v3	38.68	38.80	41.53	49.94	41.74
Vietnamese Embedding models (Prior Work)
halong-embedding	52.57	52.28	56.64	68.72	57.55
sup-SimCSE-VietNamese-phobert_base	25.15	25.07	27.81	35.79	28.46
vietnamese-bi-encoder	54.88	54.47	59.10	79.51	61.99
GreenNode-Embedding
M3-GN-VN	65.03	64.80	69.19	81.66	70.17
M3-GN-VN-Mixed	69.75	69.28	74.01	86.74	74.95
Ours – Multi-vector embedding
Vintern-Embedding-1B	68.90	69.06	72.32	82.29	73.14

Dataset: ViDoRe Benchmark

Model	Model_Size	Average_Score	ArxivQA	DocVQA	InfoVQA	Artificial Intelligence	Energy	Government	Healthcare Industry	TAT-DQA
royokong/e5-v	8.3B	62.88	48.3	34.7	69.2	78.9	78.1	82.2	82.3	29.3
TIGER-Lab/VLM2Vec-Full	4.2B	51.16	42.8	26.7	66.7	53.5	63.5	64	70.7	21.4
nvidia/llama-nemoretriever-colembed-3b-v1	4.4B	90.42	88.4	66.2	94.9	99.6	96.6	97.8	99.3	80.6
nvidia/llama-nemoretriever-colembed-1b-v1	2.4B	89.8	87.6	64.5	93.6	100	96.6	96.7	99.6	79.8
jinaai/jina-embeddings-v4	3.8B	89.38	88.5	60.1	93.8	99.3	97.3	96.6	99.1	80.3
nomic-ai/colnomic-embed-multimodal-3b	3B	89.25	88.1	61.3	92.8	96.3	97.4	96.6	98.3	83.2
nomic-ai/colnomic-embed-multimodal-7b	7B	89.00	88.3	60.1	92.2	98.8	96.3	95.9	99.3	81.1
vidore/colqwen2.5-v0.2	3B	89.58	88.9	63.6	92.5	99.6	96.1	95.8	98	82.1
vidore/colqwen2-v1.0	2.2B	89.18	88	61.5	92.5	99	95.9	95.5	98.8	82.2
ibm-granite/granite-vision-3.3-2b-embedding	3B	85.98	84.2	54.6	89.7	98.9	96.3	97.3	98.9	67.9
vidore/colpali-v1.3	3B	85.44	83.3	58.4	85.5	97.4	94.6	96.1	97.4	70.8
vidore/colpali-v1.2	3B	83.16	77.8	56.6	82.2	97.5	93.8	94.4	94.9	68.1
ColVintern-1B	0.9B	78.8	71.6	48.3	84.6	92.9	88.7	89.4	95.2	59.6
Vintern-Embedding-1B	0.9B	82.85	75.37	51.79	86.2	97.52	93.19	93.97	97.09	67.72

Quickstart:

import torch
from PIL import Image
from transformers import AutoModel, AutoProcessor
import matplotlib.pyplot as plt

# ==============================
# 1. Load Model and Processor
# ==============================
model_name = "5CD-AI/Vintern-Embedding-1B"

processor = AutoProcessor.from_pretrained(
    model_name,
    trust_remote_code=True
)

model = AutoModel.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,       # Use bfloat16 for efficiency
    low_cpu_mem_usage=True,
    trust_remote_code=True,
).eval().cuda()                        # Set model to eval mode and move to GPU

# ==============================
# 2. Prepare Input Data
# ==============================

# Images
images = [Image.open("ex1.jpg"), Image.open("ex2.jpg")]
batch_images = processor.process_images(images)

# Queries (questions)
queries = [
    "Cảng Hải Phòng ở đâu ?",
    "Phí giao hàng bao nhiêu ?",
]
batch_queries = processor.process_queries(queries)

# Text documents
text_documents = [
    "Cảng Hải Phòng là một cụm cảng biển tổng hợp cấp quốc gia, lớn thứ 2 ở Việt Nam sau cảng Sài Gòn, là cửa ngõ quốc tế của Việt Nam, nằm tại ba quận Hồng Bàng, Ngô Quyền và Hải An. Bên cạnh đó, cùng tên Cảng Hải Phòng (tiếng Anh: Port of Hai Phong hoặc Hai Phong Port) là một cụm cảng biển thuộc Công ty cổ phần cảng Hải Phòng tại thành phố Hải Phòng, Việt Nam. Đây là một trong hai cảng biển tổng hợp lớn và lâu đời nhất tại Việt Nam, cùng với Công ty Cảng Sài Gòn ở phía Nam.",
    "Sân bay Chu Lai (tỉnh Quảng Nam) cũng được hãng hàng không giá rẻ Vietjet đề xuất đầu tư nâng cấp 20.000 tỉ đồng theo 3 giai đoạn từ 2020-2025 để đến năm 2025 trở thành Cảng hàng không quốc tế và trở thành trung tâm trung chuyển, vận tải hàng hóa lớn của cả nước theo quy hoạch của Bộ GTVT năm 2015.",
]
batch_text_docs = processor.process_docs(text_documents)

# Combine images and text docs for retrieval
raw_docs = images + text_documents

# ==============================
# 3. Move Tensors to GPU
# ==============================
# Images
batch_images["pixel_values"] = batch_images["pixel_values"].cuda().bfloat16()
batch_images["input_ids"] = batch_images["input_ids"].cuda()
batch_images["attention_mask"] = batch_images["attention_mask"].cuda().bfloat16()

# Queries
batch_queries["input_ids"] = batch_queries["input_ids"].cuda()
batch_queries["attention_mask"] = batch_queries["attention_mask"].cuda().bfloat16()

# Text Documents
batch_text_docs["input_ids"] = batch_text_docs["input_ids"].cuda()
batch_text_docs["attention_mask"] = batch_text_docs["attention_mask"].cuda().bfloat16()

# ==============================
# 4. Generate Embeddings
# ==============================
with torch.no_grad():
    image_embeddings = model(**batch_images)
    query_embeddings = model(**batch_queries)
    text_docs_embeddings = model(**batch_text_docs)

# ==============================
# 5. Compute Similarity Scores
# ==============================
scores = processor.score_multi_vector(
    query_embeddings,
    list(image_embeddings) + list(text_docs_embeddings)
)

max_scores, max_indices = torch.max(scores, dim=1)

# ==============================
# 6. Print Results
# ==============================
for i, query in enumerate(queries):
    print("=" * 100)
    print(f"Query: '{query}'")
    print(f"Score: {max_scores[i].item()}\n")
    
    doc = raw_docs[max_indices[i]]
    if isinstance(doc, str):
        print(f"Matched Text Document:\n{doc}\n")
    else:
        plt.figure(figsize=(5, 5))
        plt.imshow(doc)
        plt.axis("off")
        plt.show()