Поиск по сканам документовПоиск и RAG

GME (General Multimodal Embedding)

Один вектор и для текста, и для картинки, и для их пары: одной моделью можно искать товар по фото, страницу документа по вопросу и картинку по описанию. Языки в карточке: английский и китайский.

Разработчик
Alibaba (Tongyi Lab), Китай
Первый выпуск
дек 2024
Последний выпуск
дек 2024
Размеры
2B и 7B
Лицензия
Можно в коммерциюApache 2.0
Русский язык
Нет
Запуск
Через свой серверНужна видеокарта
Сферы
Торговля и маркетплейсы, Документы и бухгалтерия, Медиа и продакшн, Разработка ПО
Поставить на свой сервер Hugging Face

Какие задачи решает

  • Поиск товара по фотографии
  • Поиск по каталогу картинок и карточек
  • Поиск по страницам документов как по изображениям

Где применяется

Онлайн-торговляДокументооборотМедиа и дизайн

Требования к железу

НоутбукНоутбук или обычный ПК, до 8 ГБ видеопамяти — младшие версии
подходит
1 видеокартаОдна видеокарта на 16–80 ГБ — средние версии
подходит
КластерСервер с несколькими видеокартами — флагманские версии
нет версий

Версии

  1. gme-Qwen2-VL-2B-Instruct и gme-Qwen2-VL-7B-Instruct

Как запустить

На своём сервереВеса скачиваются с Hugging Face, запуск — через vLLM (нагрузка и API) или llama.cpp (скромное железо). Так модель работает в закрытом контуре, без оплаты за запросы.Hugging Face
Сколько нужно железаПосчитайте видеопамять под нужный размер модели, контекст и число одновременных запросов.Открыть калькулятор железа

Ставлю и настраиваю под ключ: подберу размер модели, разверну на вашем сервере, подключу к вашим системам.

Частые вопросы

Можно ли использовать GME (General Multimodal Embedding) в коммерческом проекте?

Да. Лицензия: Apache 2.0. Это разрешает коммерческое использование, но перед запуском лицензию всё равно стоит показать юристу.

Какое железо нужно для GME (General Multimodal Embedding)?

Минимум: Одна видеокарта на 16–80 ГБ — средние версии. Без видеокарты модель практически не работает. Точный объём видеопамяти под ваш размер модели и контекст можно посчитать в калькуляторе железа.

Поддерживает ли GME (General Multimodal Embedding) русский язык?

Нет. В документации разработчика языки перечислены, русского среди них нет. Для русских задач лучше взять модель из подборки «Открытые ИИ-модели с русским языком».

Где скачать GME (General Multimodal Embedding) и сколько это стоит?

Веса GME (General Multimodal Embedding) лежат в открытом доступе и скачиваются бесплатно. Платить нужно только за железо, на котором модель работает, и за настройку. Ссылки на первоисточник — в конце страницы.

Как внедряю у заказчика

  1. ПодборВыбираю размер модели под задачу и ваше железо, проверяю на ваших примерах.
  2. УстановкаРазворачиваю на вашем сервере или в закрытом контуре, отдаю API.
  3. ДообучениеДообучаю на ваших данных (LoRA) или подключаю базу знаний — что дешевле для задачи.
  4. ВстраиваниеПодключаю к CRM, 1С, боту, сайту или рабочему чату, настраиваю мониторинг.

Похожие модели

Поиск по сканам документовColPali / ColQwenIlluin Technology (команда ViDoRe) · ФранцияКоммерция с условиями

Поиск по PDF и сканам как по картинкам: страницу не нужно распознавать, модель сразу находит нужную по вопросу, включая таблицы и схемы. Обучены на английском.

ПодробнееПоиск по сканам документовVLM2VecTIGER-Lab · КанадаМожно в коммерцию

Превращает модель «картинка плюс текст» в модель эмбеддингов: один вектор для страницы, схемы или фото с подписью. В карточке заявлен английский язык.

ПодробнееКомпьютерное зрениеSigLIP (наследник CLIP)Google · СШАМожно в коммерцию

Модели, которые переводят картинки и текст в общее пространство: можно искать фото по словам и классифицировать изображения без обучения. CLIP от OpenAI (2021) — предшественник.

Подробнее

Источник: huggingface.co/Alibaba-NLP/gme-Qwen2-VL-7B-Instruct. Данные сверены с карточкой модели 22.09.2026. Лицензию перед коммерческим запуском проверьте с юристом.