Docmatix-IR
1 个正例 + 20 个 hard negatives；依赖 Docmatix 图片关联。
文档 · 图像 · 音视频统一检索底座。当前先打通文档页这一刀，数据洗干净再训模型。
1 个正例 + 20 个 hard negatives；依赖 Docmatix 图片关联。
约 216 万 PDF、1,800 万页；作为页面预训练底库。
44,002 个训练 Query，连接 126 万张维基页面截图。
中文图表 + Markdown / HTML 真值，用于离线证据校验。
| 角色 | 资产 | 规模 | 覆盖 |
|---|---|---|---|
| TRAIN | ColPali | 118K | DocVQA / 图表 / 论文 |
| TRAIN | VisRAG Synthetic | 239K | 手册 / 教材 / 论文 |
| TRAIN | VisRAG In-domain | 123K | 图表 / 信息图 / 幻灯片 |
| TRAIN | VDR Multilingual | 281K | de / en / es / fr / it |
| TRAIN | TAT-DQA + TabFQuAD | 14.8K | 财务 / 法语表格 |
| PRETRAIN | PDFA | 18M 页 | 英文 PDF |
| CORPUS | Wiki-SS | 1.27M 页 | 维基截图 |
| SYNTH | Shennong Chart | 173K 图 | 中文图表 |
| EVAL | ViDoRe v1 / v2 / v3 | 多版本 | 多领域 / 多语言 |
| EVAL | JinaVDR | 42 子集 | 截图 / 扫描 / 图表 / 多语 |
| EVAL | MIRACL-VISION | 18 语言 | 多语言检索 |
| EVAL | MMLongBench / ViDoSeek | PDF 级 | 长文档 / 多跳 |
v1.2 干净集上的首轮 LoRA 已完成，causal / bidir 都有完整评测。
bidir 优于 causal；10k hard-neg 优于 plain in-batch。
3-seed 融合优于单模型；Nemotron 4B / 8B 作为外部强基线。
| 模型 | 数据 | V1@5 | V2@5 | V3@10 | Jina@5 |
|---|---|---|---|---|---|
| seed42 | ~776K | 0.912 | 0.567 | 0.564 | 0.756 |
| seed_merged 3-seed | ~776K | 0.916 | 0.609 | 0.593 | 0.768 |
| 10k plain | 10k | 0.860 | 0.520 | 0.513 | — |
| 10k hard-neg | 10k | 0.885 | 0.575 | 0.562 | — |
| nemotron 4b | — | 0.916 | 0.645 | 62.04 | — |
| nemotron 8b | — | 0.927 | 0.652 | 62.92 | — |