騰訊近日在 Hugging Face 上釋出了新一代視覺文件檢索模型 EVIE-4.5B，並同步開源全部權重、訓練流程、令牌壓縮演算法（HAC）及評測套件。該模型基於 Qwen3.5-4B 構建，引數規模約 4.61B，在視覺文件檢索基準 ViDoRe V3 上取得 66.02 的 nDCG@10 分數，僅次於同系列旗艦模型 EVIE-8B（66.75），在同類輕量級模型中表現領先。
EVIE 採用晚期互動（late-interaction）多向量檢索範式，與傳統的稠密單向量檢索不同，它通過令牌級表示保留高解析度文件頁面中的細節資訊，如複雜表格、佈局結構、圖表和小字號文字，並使用 MaxSim 匹配計算查詢與文件的相關性。這種設計使得模型在處理視覺資訊密集的文件時更具優勢。
EVIE-4.5B 的一大技術亮點是引入了單投影 Prefix-MRL（彈性多向量表示）。模型使用一個 2048 維的線性投影頭，在推理時無需維護多個模型即可將向量維度自由截斷至 64、128、256、512、1024 或 2048 維。根據官方資料，即使在 64 維的低維字首下，模型在 ViDoRe V3 上仍能保持 64.51 的分數，而完整 2048 維時為 66.02，顯示了良好的彈性與效能權衡。
在模型壓縮方面，EVIE 集成了 HAC（層次凝聚聚類）令牌壓縮演算法，這是一種無需訓練的即插即用方法，可在聯合特徵-空間域將視覺補丁令牌聚合為 32 或 64 個語義質心。原始晚期互動表示每頁約保留 750 個視覺補丁向量，儲存開銷較大；應用 HAC 後，每頁僅需 32 個向量，將索引儲存壓縮至每百萬頁 3.81 GiB，大幅降低了大規模文件檢索的儲存成本。
EVIE-4.5B 通過 ARD（錨點保持、容量感知的關係蒸餾）從 8B 引數的教師模型 EVIE-8B 蒸餾而來。該蒸餾方法結合令牌關係拓撲幾何、難負樣本邊界校準和錨點保持對齊，使得學生模型即使在低維字首下也能保持較高的檢索精度。官方在 ViDoRe V1、V2、V3 及 JinaVDR 等基準上進行了全面評估，覆蓋 138 個多語言任務，涉及 nDCG、Recall、MAP、MRR 等指標族。
在 ViDoRe 排行榜上，EVIE-4.5B 以 66.02 的 V3 分數位列第二，僅次於 EVIE-8B（66.75），並超越了多個 8B 級模型，如 webAI-ColVec1.1-8b（65.32）和 nemotron-colembed-vl-8b-v2（63.54）。從細分領域看，EVIE-4.5B 在電腦科學（81.72）、能源（72.32）等領域表現突出，但在物理（51.69）等專業領域仍有提升空間。
騰訊此次將 EVIE 系列完全開源，包括模型權重、訓練流程、HAC 演算法和評測套件，技術細節和正式研究論文將在後續更新中釋出。這一舉措為視覺文件檢索領域提供了新的開源選擇，尤其適合需要處理複雜文件的檢索增強生成（RAG）應用場景，可能對 AI 基礎設施層中的文件理解與檢索環節產生積極影響。