# Trident-Qwen3VL-2B: поиск сразу по текстам и изображениям

Источник: https://modelium.tech/zhurnal/trident-qwen3vl-2b-mixed-text-image-search/

12 октября OpenBMB выложила веса Trident-Qwen3VL-2B для поиска в коллекции, где рядом лежат тексты, изображения и документы с обоими типами данных. Модель не отвечает как чат-бот: она помогает расставить найденное по релевантности. Веса доступны для локального запуска, но простой домашний способ и минимальные требования к памяти авторы не подтвердили.

OpenBMB 12 октября 2026 года открыла веса Trident-Qwen3VL-2B. Представьте папку с текстовыми заметками, фотографиями и слайдами с подписями: обычный поиск может предпочесть заметку картинке даже тогда, когда нужный ответ находится на изображении. Новая модель предназначена для системы, которая ищет сразу по этим трём типам материалов. [s1](#src-s1) [s2](#src-s2)

## Что именно вышло

Trident-Qwen3VL-2B — **модель для поиска, а не для беседы**. Она превращает запрос и каждый документ в числовые представления — *векторы*; система сравнивает их и ставит наиболее подходящие документы выше. В опубликованном примере один запрос ранжирует текст, картинку и текст с картинкой в общем списке. Авторы предоставили уже объединённый чекпойнт: для него не требуется отдельно подгружать исходную Qwen3-VL и адаптер дообучения. [s1](#src-s1)

В закреплённом репозитории Hugging Face есть `model.safetensors`, настройки, токенизатор и файлы обработки изображений. Сам файл весов занимает 4 255 140 312 байт на диске; это **не** заявка на необходимый объём оперативной или видеопамяти. Исходная модель — Qwen3-VL-2B-Instruct, дообученная авторами Trident. [s1](#src-s1) [s5](#src-s5)

## Почему это может быть полезно

В статье авторы описывают проблему смешанного поиска: посторонние текстовые страницы способны оказаться выше подходящих изображений. По их оценке, обучение Trident на нескольких представлениях каждого документа снижает перекос между текстом и картинкой. Это **результат авторов**, а не независимое измерение Modelium; на вашей коллекции качество поиска нужно проверять отдельно. [s3](#src-s3) [s2](#src-s2)

Практический сценарий — поиск диаграммы в папке с отчётами, когда рядом есть текстовые заметки на ту же тему. Модель выдаёт оценки близости материалов к запросу; сама по себе она не строит готовое приложение, не извлекает проверенный ответ из диаграммы и не гарантирует, что первым окажется правильный файл. [s1](#src-s1)

## Что нужно для локального использования

Авторы опубликовали код и пример, в котором модель загружается из локальной папки, а обработка выполняется на `cuda:0` — видеокарте NVIDIA. Они указывают проверенную программную среду Python 3.12, PyTorch 2.10 и Transformers 4.57.1. Это **технический путь для разработчика**, не установка в пару кликов и не проверенная нами инструкция для домашнего компьютера. Указанные в работе восемь A100 использовались для экспериментов авторов; считать их минимальным требованием для поиска нельзя. Минимум памяти для домашнего запуска в этих источниках не приведён. [s1](#src-s1) [s2](#src-s2)

Карточка модели относит собственный вклад Trident, включая дообученные веса, к MIT; базовая Qwen3-VL-2B-Instruct помечена Apache-2.0, а обучающие изображения взяты из сторонних наборов с собственными условиями. Открытые веса не означают единую лицензию на все исходные данные. Если важна коммерческая эксплуатация или распространение наборов, проверьте условия каждого компонента отдельно. [s1](#src-s1) [s2](#src-s2) [s4](#src-s4)

**Следующий шаг:** если вы собираете локальный поиск по изображениям и тексту, сравните Trident на собственной небольшой подборке с уже опубликованной [Ovis-VL-Embedding](/zhurnal/ovis-vl-embedding-2b-9b-local-multimodal-search/). Для обычного пользователя без Python и совместимой видеокарты это пока новость о доступных весах, а не готовый домашний рецепт. Редакция не загружала модель и не измеряла её скорость или качество. [s1](#src-s1)

## Источники

1. [OpenBMB — Trident-Qwen3VL-2B model card, pinned revision ec4299e](https://huggingface.co/openbmb/Trident-Qwen3VL-2B/tree/ec4299eaf155112a1f6947a0c4423b1f9f6dc51a) — получено 2026-10-13
2. [OpenBMB — Trident official code and README, commit 64ffb329](https://github.com/OpenBMB/Trident/tree/64ffb329c624f596b8b7e0809b79d4cff7ecc199) — получено 2026-10-13
3. [Sun et al. — Chaos in the Text: Revealing the Modality Preference in Mixed-Modality Retrievers](https://arxiv.org/abs/2610.11816) — получено 2026-10-13
4. [Qwen — Qwen3-VL-2B-Instruct, pinned model card](https://huggingface.co/Qwen/Qwen3-VL-2B-Instruct/tree/89644892e4d85e24eaac8bacfd4f463576704203) — получено 2026-10-13
5. [Hugging Face API — Trident-Qwen3VL-2B files and sizes](https://huggingface.co/api/models/openbmb/Trident-Qwen3VL-2B?blobs=true) — получено 2026-10-13