研究人员开发了DistilVDR，一个紧凑高效的视觉文档检索系统。该系统是从一个拥有80亿参数的大模型蒸馏而来，形成了一个参数量显著减少至5.24亿的模型，可以更经济地部署。DistilVDR在基准测试中表现出色，其中DistilVDR-HiRes等变体在高分辨率文档敏感性方面优于其他参数量小于10亿的模型，而DistilVDR-Fast则提供了更快的处理选项。与现有的多向量基线相比，该系统还拥有显著更小的索引大小和更快的索引能力。 AI
影响 这项研究引入了一个更高效的视觉文档检索模型，有望降低文档分析应用相关的成本并提高可访问性。
排序理由 这是一篇详细介绍新模型发布的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.10636v1 Announce Type: cross Abstract: Visual document retrieval (VDR) is dominated by multi-billion-parameter models that are slow to index at full corpus scale and expensive to serve. Prior compression routes either train a smaller multi-vector encoder from scratch o…
Visual document retrieval (VDR) is dominated by multi-billion-parameter models that are slow to index at full corpus scale and expensive to serve. Prior compression routes either train a smaller multi-vector encoder from scratch or distil only the query side; neither yields a com…