Tencent が EVIE-8B を公開 ── 画像ドキュメント検索の精度を再定義
「ドキュメント検索」って、ただテキストを拾うだけのものだと考えていませんか？ Tencentが出したEVIE-8B、これはかなりやばい。表やグラフの構造まで理解して、視覚的な証拠に基づいて正確に「どのページか」を当ててくるんです。Hugging Faceで重さが解放された瞬間、この分野の空気感は確実に変わった。
▸何が変わったのか
最大のポイントは、画像内の表やタイポグラフィ、レイアウトのニュアンスまで保持した「トークン単位のマルチベクトル埋め込み」を採用していること。既存のモデルが情報を圧縮して失いがちな細部を、4096次元の表現空間で残している。ViDoRe V3のnDCG@10で66.75を記録し、業界最高の精度をマーク。さらに、軽量なEVIE-4.5Bを訓練するための教師モデルとしても機能し、蒸留レシピまでオープンソース化されています。
◈前モデル / 競合との比較
競合モデルであるwebAI-ColVec1.1-8bやVultronRetrieverPrime-8Bと比較すると、ViDoRe V3のnDCG@10においてEVIE-8Bが66.75と明確に上回っています。特にV2（74.23）からV3（66.75）への変遷でも、高難度タスクにおける安定した性能維持が見られます。軽量版のEVIE-4.5Bと比べても、わずか0.73ポイント差でありながら、より高度な推論能力と教師モデルとしての有用性を持ちます。
◈技術背景と意義
通常の検索モデルは、ドキュメント全体を一つのベクトル（数字の塊）に圧縮して比較します。でも、圧縮すれば情報も失われる。EVIE-8Bは、画像内の各トークン（部分）ごとにベクトルを持たせ、クエリとの一致度を「MaxSim」で計算する方式です。これにより、「この表の3行目と4行目の関係性」のような、局所的かつ視覚的な手がかりを逃さずに検索できる。双向（双方向）アテンション機構により、視覚情報とテキストプロンプトが深く相互作用し、文脈理解が飛躍的に向上しています。
▸こんな人・用途に
【企業内情報検索】契約書や技術文書、スキャン済みのPDFから、特定の表や図解を含むページを素早く特定したい場合。【学術研究】論文内の数式や実験結果のグラフを、テキストキーワードだけでは見つからない視覚的特征で検索する場合。【RAGシステム構築】画像が混在するコーパスに対して、文脈に忠実な検索レイヤーを構築したいエンジニア向け。
◆入手方法・リンク
モデルウェイトはHugging Faceの `Tencent/EVIE` リポジトリからダウンロード可能です。推論パイプラインや評価スイート、蒸留レシピを含むコード一式がGitHubの `Tencent/EVIE` にオープンソースで公開されています。
SOURCE: Tencent (2026-09-04)
