論文の概要: pplx-embed-v2-late Technical Report
- arxiv url: http://arxiv.org/abs/2610.29523v1
- Date: Wed, 21 Oct 2026 10:10:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.311189
- Title: pplx-embed-v2-late Technical Report
- Title（参考訳）: pplx-embed-v2-late 技術報告
- Abstract要約: plx-embed-v2-late, a pair of 0.6B and 9B multilingual and multimodal late-interaction model。
どちらのモデルも、テキスト、画像、およびビジュアル文書検索ベンチマークによって、各サイズのクラスで最先端の結果を得る。
- 参考スコア（独自算出の注目度）: 5.12236413440826
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this report, we introduce pplx-embed-v2-late, a pair of 0.6B and 9B multilingual and multimodal late-interaction models. Both models achieve state-of-the-art results within their respective size classes across a range of text, image, and visual document retrieval benchmarks. On visual document retrieval tasks, pplx-embed-v2-late-0.6b is competitive with models several times larger than itself. The models are trained via representation distillation from an 18B teacher. Consequently, they share an embedding space that supports asymmetric deployment: documents can be indexed with the 9B model and queried with the low-latency 0.6B model. Both models are available at https://huggingface.co/collections/perplexity-ai/pplx-embed-v2.
- Abstract（参考訳）: 本稿では,plx-embed-v2-late(0.6Bと9Bの多言語および多モーダル遅延相互作用モデル)を紹介する。
どちらのモデルも、テキスト、画像、およびビジュアル文書検索ベンチマークによって、各サイズのクラスで最先端の結果を得る。
ビジュアル文書検索タスクでは、pplx-embed-v2-late-0.6bはそれよりも数倍大きなモデルと競合する。
モデルは18Bの教師による表現蒸留によって訓練される。
その結果、非対称な配置をサポートする埋め込みスペースが共有され、ドキュメントは9Bモデルでインデックス化され、低レイテンシ0.6Bモデルでクエリできる。
どちらのモデルもhttps://huggingface.co/collections/perplexity-ai/pplx-embed-v2で利用可能である。
関連論文リスト
- Apertus 1.5: From Open Text Models to Open Multimodal Reasoners [148.09760591577466]
Apertus 1.5は、完全にオープンなApertusファミリーをテキストからマルチモーダル推論まで拡張している。
マルチモーダリティはトークン化子を通して入力され、言語モデルヘッドはテキストに制限され、アーキテクチャは変わらない。
論文 参考訳（メタデータ） (2026-10-11T11:34:43Z) - Diffusion-Pretrained Dense and Contextual Embeddings [3.1271035100823643]
plx-embedは多言語埋め込みモデルのファミリーであり、Webスケール検索のために拡散予測言語モデルバックボーンに多段階のコントラスト学習を利用する。
標準検索用 pplx-embed-v1 とコンテキスト埋め込み用 pplx-embed-context-v1 の2つのモデルタイプをリリースする。
論文 参考訳（メタデータ） (2026-02-11T18:59:08Z) - SitEmb-v1.5: Improved Context-Aware Dense Retrieval for Semantic Association and Long Story Comprehension [77.93156509994994]
本研究では,検索性能を向上させるために,より広いコンテキストウインドウに条件付きで短いチャンクを表現する方法を示す。
既存の埋め込みモデルは、そのような場所のコンテキストを効果的にエンコードするのに十分な装備がない。
我々の手法は、最先端の埋め込みモデルよりも大幅に優れている。
論文 参考訳（メタデータ） (2025-08-03T23:59:31Z) - M-DocSum: Do LVLMs Genuinely Comprehend Interleaved Image-Text in Document Summarization? [49.53982792497275]
本稿では,LVLM(Large Vision-Language Models)が文書中のインターリーブ画像テキストを真に理解しているかどうかを検討する。
既存の文書理解ベンチマークは、しばしば質問応答形式を用いてLVLMを評価する。
マルチモーダル文書要約ベンチマーク(M-DocSum-Bench)について紹介する。
M-DocSum-Benchは500の高品質なarXiv論文と、人間の好みに合わせたインターリーブされたマルチモーダル要約で構成されている。
論文 参考訳（メタデータ） (2025-03-27T07:28:32Z) - Pixtral 12B [61.12291038082914]
12ビリオンパラメータのマルチモーダル言語モデルであるPixtral-12Bを導入する。
Pixtral-12Bは、自然画像と文書の両方を理解するために訓練されている。
多くのオープンソースモデルとは異なり、Pixtralはそのサイズに対する最先端のテキストモデルでもある。
論文 参考訳（メタデータ） (2024-10-09T17:16:22Z) - LayoutLMv2: Multi-modal Pre-training for Visually-Rich Document
Understanding [49.941806975280045]
テキストとレイアウトの事前トレーニングは、視覚的に豊富な文書理解タスクで有効であることが証明されています。
テキスト,レイアウト,イメージをマルチモーダルフレームワークで事前学習することで,テキスト-bfLMv2を提示する。
論文 参考訳（メタデータ） (2020-12-29T13:01:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。