微調 Qwen3-VL-Embedding 提升視覺文件檢索精度
tom aarsen 發布了使用 sentence transformers 微調多模態嵌入模型的指南。通過在視覺文件檢索任務上微調 qwen/qwen3-vl-embedding-2b，該模型達到了 0.947 的 ndcg@10，而基座模型為 0.888。該自定義模型的性能超過了現有 vdr 模型，儘管其尺寸達到其 4 倍。
Hugging Face技術負責人Tom Aarsen發表了一份使用Sentence Transformers訓練和微調多模態嵌入和重新排序模型指南。教程演示了視覺文檔檢索（VDR）工作流程，將文本查詢與文檔頁面圖像匹配。 Aarsen微調了Qwen/Qwen3-VL-Embedding-2B模型，將其在評估數據上的NDCG@10得分從0.888提高到0.947。這一性能增益超過了現有的較大VDR模型（參數數量高達4倍），突出了任務特定適配的效率。