多模态检索 · 文搜图

8 领域 × 6 语 · 官方 nDCG@10

64.6%

evie-preview · 768 token 档 64.56

200 问 × 200 手册图 · 闭集

27.5%

evie-preview Hit@1

502 问 × 502 研报图 · 闭集

67.1%

evie-preview Hit@1

ViDoRe V3

与 EVIE 模型卡同一套 qrels。WeCLIPv2 页面级接近地板；C-RADIO 是短向量上界，仍远低于 EVIE。

体系	模型	nDCG@10	Hit@1	参数	单卡秒	单卡图/秒	单图 ms	峰值 GiB
EVIE	`evie-preview`	64.6%	—	4.54B	—	—	—	—
WeCLIPv2	`weclipv2-tiny`	1.2%	0.8%	307M	248.1	78	12.9	46.83
WeCLIPv2	`weclipv2-small`	1.3%	0.9%	329M	243.4	79	12.6	72.84
WeCLIPv2	`weclipv2-base`	2.4%	1.8%	366M	1783.3	11	92.6	74.13
WeCLIPv2	`weclipv2-large`	5.1%	4.7%	866M	1229.7	16	63.9	84.30
C-RADIO	`cradio-so400m`	21.3%	19.7%	1.18B	906.0	21	47.1	8.20
C-RADIO	`cradio-h`	24.5%	22.0%	1.41B	951.5	20	49.4	7.37

业务闭集

中文问题找回唯一对应图。汽车手册按钮问句比研报难一截。WeCLIPv2-large 最接近 EVIE。

体系	模型	汽车 Hit@1	汽车 Hit@5	研报 Hit@1	研报 Hit@5
EVIE	`evie-preview`	27.5%	54.5%	67.1%	85.3%
WeCLIPv2	`weclipv2-tiny`	8.0%	22.5%	22.5%	40.2%
WeCLIPv2	`weclipv2-small`	5.5%	23.5%	26.3%	46.0%
WeCLIPv2	`weclipv2-base`	12.5%	27.5%	40.0%	65.5%
WeCLIPv2	`weclipv2-large`	22.5%	44.0%	42.2%	67.7%
C-RADIO	`cradio-so400m`	12.5%	34.0%	25.7%	46.6%
C-RADIO	`cradio-h`	17.5%	42.0%	28.1%	49.0%

单卡编码

8 卡分片时间加总，一张卡顺序跑完。峰值显存是单卡。EVIE 的 V3 没有本地编码。

体系	模型	参数	维	汽车秒	汽车图/秒	汽车 ms	汽车 GiB	研报秒	研报图/秒	研报 ms	研报 GiB
EVIE	`evie-preview`	4.54B	236×128	18.8	11	94.2	9.31	58.7	9	117.0	11.31
WeCLIPv2	`weclipv2-tiny`	307M	768	18.9	11	94.3	0.80	11.3	45	22.4	1.09
WeCLIPv2	`weclipv2-small`	329M	768	19.9	10	99.6	0.84	7.16	70	14.3	1.13
WeCLIPv2	`weclipv2-base`	366M	768	5.18	39	25.9	0.90	13.5	37	26.9	1.18
WeCLIPv2	`weclipv2-large`	866M	768	4.16	48	20.8	1.89	13.8	36	27.5	1.95
C-RADIO	`cradio-so400m`	1.18B	1536	12.9	15	64.7	5.43	33.6	15	67.0	5.43
C-RADIO	`cradio-h`	1.41B	1536	17.5	11	87.6	5.84	44.5	11	88.6	5.84

中文图文 · WeCLIPv2

Tiny/Small 方图 ConvNeXt；Base/Large 是 NaViT 任意长宽比。Large 文本塔换 xlm-roberta-large。

型号	视觉	文本	输入	汽车 Hit@1	研报 Hit@1
`weclipv2-large`	NaViT-L/16	xlm-roberta-large	任意长宽比 256p	22.5%	42.2%
`weclipv2-base`	NaViT-B/16	xlm-roberta-base	任意长宽比 256p	12.5%	40.0%
`weclipv2-small`	ConvNeXt-S	xlm-roberta-base	256² 方图	5.5%	26.3%
`weclipv2-tiny`	ConvNeXt-T	xlm-roberta-base	256² 方图	8.0%	22.5%

开源协议

ColQwen3.5 后期交互，ViDoRe 官方口径。微调权重归业务方。

微信 MMVision。中文图文主线，NaViT + xlm-roberta，可继续增量预训练。

NVIDIA Research Only。文搜图必须走 siglip2-g 适配器，不能只用图搜图的 HF 视觉骨干。

业务案例

默认 EVIE。问句全文 + Top-3 整页；未中再补正例原页。点图看完整页。

文搜图 EVIE · WeCLIPv2 · C-RADIO