EVIE-8B: Tencent lancia in sordina il suo recuperatore visivo di documenti più accurato di sempre

Tre settimane fa, EVIE-Preview-4.5B di Tencent era il retriever open source di documenti visivi più accurato nelle classifiche ViDoRe, in virtù dei dati riportati dalla stessa Tencent. Il 4 settembre, Tencent ha silenziosamente sostituito quel modello in cima alla propria leaderboard — non con un rivale esterno, ma con un "fratello" più grande rilasciato quella stessa mattina. EVIE-8B, un retriever a interazione tardiva da 8,41 miliardi di parametri su backbone Qwen3.5-9B con embedding per token a 4096 dimensioni, è stato pubblicato come pesi e codice su Hugging Face e GitHub senza annuncio, senza post sul blog e senza paper. Un terzo checkpoint, EVIE-4.5B, è apparso nello stesso minuto e ora si colloca tra i due. Ogni affermazione legata a questo rilascio — i punteggi, l'architettura, persino lo scopo dei modelli — si basa attualmente esclusivamente su quanto dicono i repository di Tencent, perché nessuno al di fuori di Tencent ha ancora pubblicato nulla su EVIE-8B. Questo è ciò che è realmente conoscibile dal repository, e ciò che non è ancora confermato.

Cosa ha pubblicato Tencent il 4 settembre

Il 4 settembre 2026 sono comparsi due nuovi repository nell'organizzazione tencent su Hugging Face a circa un minuto di distanza l'uno dall'altro: tencent/EVIE-8B e tencent/EVIE-4.5B. Insieme a loro è stato pubblicato un repository GitHub consolidato, Tencent/EVIE, che contiene il codice di addestramento, il motore di inferenza ColQwen3.5 e la suite di valutazione per 138 task. Entrambi i repository dei modelli sono sotto licenza Apache-2.0, entrambi utilizzano la libreria colpali-engine ed entrambi hanno il tag della pipeline visual-document-retrieval. Il precedente EVIE-Preview-4.5B del 17 agosto rimane su Hugging Face con il nome "Preview", ma non è più il modello di punta della famiglia: nella leaderboard aggiornata all'interno della scheda di EVIE-8B, Tencent elenca tre dei propri checkpoint in cima — EVIE-8B con 66,75 ViDoRe V3 nDCG@10, EVIE-4.5B con 66,02 ed EVIE-Preview-4.5B con 65,36.

Non c'è stato alcun annuncio da nessuna parte. La nota di rilascio della scheda EVIE-8B afferma che i pesi, le pipeline di inferenza e le suite di valutazione sono open-source, poi aggiunge che "i dettagli tecnici completi, le ablazioni architetturali e il paper di ricerca formale saranno aggiornati in una prossima versione." Al momento della stesura, il repository GitHub aveva quattro commit e nessuna release. Nessuno dei nuovi repository mostra ancora un'adozione significativa — nessun fork della community con risultati indipendenti, nessuna valutazione di terze parti, e i contatori di download sono ancora vicini allo zero due giorni dopo la pubblicazione dei repository. Alla luce delle evidenze, questo è un rilascio di Tencent del tipo "prima i pesi, poi il paper", nello stesso schema discreto che il laboratorio ha usato per EVIE-Preview-4.5B e UI-Mate-9B ad agosto.

La model card di tencent/EVIE-8B qui sopra è la superficie pubblica della release: un checkpoint di visual-document-retrieval taggato per la libreria colpali-engine, con licenza Apache-2.0, con un embedding a interazione tardiva a 4096 dimensioni e la tabella ViDoRe aggiornata della famiglia nella parte superiore della card.

EVIE-8B, il docente di punta

Architettonicamente, EVIE-8B appartiene alla famiglia a interazione tardiva ColPali/ColBERT. Invece di comprimere una pagina in un unico vettore di embedding — l'operazione con perdita tipica del recupero denso a vettore singolo — fa passare l'immagine della pagina attraverso un backbone visione-linguaggio e mantiene una rappresentazione multi-vettore per token, per poi valutare la rilevanza con l'operatore MaxSim: ogni token della query trova la sua corrispondenza migliore tra i token della pagina, e questi massimi si sommano nel punteggio di rilevanza. Le scelte specifiche di EVIE-8B sono un backbone Qwen3.5-9B con attenzione bidirezionale completa (il modello è reso encoder, quindi la maschera causale è disattivata sull'intera sequenza visione-testo) e una proiezione per token molto ampia, a 4096 dimensioni. Lo scopo dell'ampiezza è la fedeltà: il layout spaziale, la tipografia, la struttura dei grafici e le relazioni tabellari sopravvivono nella rappresentazione invece di andare persi nella mediazione.

Tencent posiziona EVIE-8B esplicitamente come il "teacher di punta". Il modello studente EVIE-4.5B viene addestrato da esso con una ricetta che Tencent chiama EVIE-ARD — distillazione relazionale che preserva l'ancoraggio ed è consapevole della capacità, trasferendo la topologia delle relazioni tra token e usando una supervisione a margine con hard negative. In altre parole, il modello da 8B ha due compiti: stabilire il tetto di accuratezza per la linea di prodotti e fungere da ancoraggio di qualità da cui il compatto studente viene distillato. Sul lato addestramento, la scheda riporta 775.635 coppie documento-query, con hard negative estratti e riesaminati da un giudice multimodale che promuove i candidati rispondibili a positivi, esclude quelli ambigui dalla loss e mantiene solo le pagine strettamente irrilevanti come veri negativi. Il checkpoint rilasciato "a40" è a sua volta una miscela nello spazio dei pesi, con α = 0,40, di due bracci addestrati indipendentemente.

Il tabellone che Tencent ha scritto per sé.

Tutti i numeri riportati di seguito sono dichiarati dal fornitore. Provengono dalla model card di Tencent e sono stati prodotti con l'harness di valutazione che Tencent include nel suo repository; nessuno di essi è stato riprodotto in modo indipendente, ed EVIE-8B non è ancora stato eseguito da nessuno al di fuori del laboratorio.

Parametri / backbone — 8.41B, Qwen3.5-9B, attenzione completa bidirezionale.

• Embedding — multi-vettore a 4096 dimensioni per token, interazione tardiva MaxSim.

• ViDoRe V1 (10 attività, nDCG@5) — 92.18.

• ViDoRe V2 (4 attività, nDCG@5) — 74.23.

• ViDoRe V3 (48 attività, nDCG@10) — 66,75, con una scansione per dominio la scheda afferma di vincere su tutti gli otto domini pubblici.

• JinaVDR (76 task, nDCG@10) — 83,30; media macro del nDCG@10 sulle quattro board — 79,51 nell'intera suite di 138 task.

• Licenza — Apache-2.0; pesi, codice di inferenza e codice di valutazione aperti.

La riga più interessante nella tabella di Tencent è quella in cui Tencent batte Tencent. La scheda EVIE-Preview-4.5B di agosto dichiarava "Rank #1 su ViDoRe V3" con 65.36 nDCG@10, superando di poco i 65.32 di webAI-ColVec1.1-8b. Nella tabella aggiornata all'interno della scheda EVIE-8B, quello stesso 65.36 ora è al terzo posto assoluto, dietro ai 66.75 di EVIE-8B e ai 66.02 di EVIE-4.5B. La ripartizione per dominio di EVIE-8B supera la vecchia preview in tutti gli otto domini pubblici di ViDoRe V3 — CompSci 81.86 contro 80.65, Finance EN 71.23 contro 70.50, Pharma 70.81 contro 69.20, e così via — con un guadagno medio di 1.39 punti. Se quel guadagno sopravviva a un'esecuzione indipendente è esattamente la questione aperta; ma la coerenza interna merita attenzione, perché un insegnante che non riuscisse a battere il proprio studente sarebbe una cosa strana da rilasciare.

Il grafico della famiglia qui sopra ribadisce la classifica a tre checkpoint che Tencent ha pubblicato nella scheda EVIE-8B il 4 settembre — EVIE-8B a 66.75, EVIE-4.5B a 66.02, EVIE-Preview-4.5B a 65.36 su ViDoRe V3 nDCG@10 — con l'anteprima 128D che lascia il posto al teacher 4096D e allo student Prefix-MRL.

Perché il prodotto di punta non è il modello di distribuzione

C'è un motivo se il leader in accuratezza si chiama teacher e non default. La larghezza costa in termini di storage e di calcolo di scoring, e 4096 dimensioni per token sono una larghezza molto elevata. In BF16, un vettore token di EVIE-8B pesa 8 KiB prima di qualsiasi quantizzazione, e una pagina densa può produrre centinaia di vettori-token — il protocollo di valutazione della stessa scheda tecnica limita i documenti a 1.024 token visivi per pagina. Tencent non pubblica alcuna cifra sulla dimensione dell'indice per EVIE-8B, il che è rivelatore, perché la scheda di EVIE-Preview-4.5B aveva pubblicato cifre esatte per il suo indice a 128 dimensioni: 179,2 GiB di indice BF16 grezzo per milione di pagine con il suo budget di addestramento di 768 token, e 420,5 GiB al livello estrapolato di 1.792 token. Vettore per vettore, gli embedding di EVIE-8B sono 32 volte più larghi di quelli della preview, quindi un indice EVIE-8B grezzo con lo stesso budget di token raggiunge l'ordine dei multi-terabyte per milione di pagine — prima ancora che il sistema di retrieval, che deve tenerlo in RAM, entri nella conversazione.

L'uscita lo stesso giorno di EVIE-4.5B è l'indizio di come Tencent prevede che questa tensione venga risolta. EVIE-4.5B è il modello studente da 4,61B con un'unica proiezione a 2048 dimensioni che a runtime si tronca a 64, 128, 256, 512, 1024 o 2048 dimensioni (Tencent chiama questo schema Prefix-MRL), più un passaggio di compressione dei token senza addestramento che chiama HAC, il quale raggruppa i ~750 token visivi di una pagina in vettori da 32–64. Il dato di punta di Tencent per questo modello è un footprint dell'indice di 3,81 GiB per milione di pagine — un numero che, come il resto, è dichiarato dal fornitore. Considerato nel suo insieme, il lancio sembra meno "un nuovo modello 8B" e più una famiglia voluta: l'8B fissa il tetto e addestra lo studente, e lo studente è quello dimensionato per stare realmente dietro un indice di produzione.

Come eseguire EVIE-8B oggi

EVIE-8B viene distribuito solo come pesi. Non esiste un'API ospitata su alcuna piattaforma — incluso OrcaRouter — quindi l'unica via oggi è auto-ospitare il checkpoint ed eseguirlo attraverso il percorso ColQwen3.5 in colpali-engine. L'avvio rapido della scheda è breve: caricare il modello in BF16 con flash-attention, chiamare enable_bidirectional_attention(), incorporare le immagini delle pagine e la query di testo, quindi calcolare il punteggio con il MaxSim del processore. Il passaggio bidirezionale non è una decorazione opzionale: le build rilasciate di colpali-engine creano ColQwen3.5 con maschere causali per impostazione predefinita, e la scheda del modello in anteprima documentava che lasciare la maschera attiva costa circa 1,1 punti sul top-hit MaxSim. Lo stesso helper viene fornito per EVIE-8B. Un checkpoint BF16 da 8.41B è dell'ordine di 17 GB di pesi secondo la regola empirica dei due byte per parametro, quindi si tratta di una soluzione per singola GPU con margine, piuttosto che di un modello edge, e il corpus risiede ovunque tu tenga l'indice, non sul modello.

Cosa cambia EVIE-8B per uno stack RAG documentale

Per chiunque costruisca sistemi di retrieval su scansioni, documenti depositati, grafici o moduli, il cambiamento pratico è che il tetto di qualità del retrieval open di documenti visivi si è appena spostato, e si è spostato all'interno di una famiglia che oggi copre tre punti di prezzo/prestazioni. Un retriever, però, ti restituisce soltanto le pagine. Il modello che legge quelle pagine e scrive la risposta è una scelta separata, ed è a questo livello che il routing dimostra il proprio valore: OrcaRouter espone un'unica API su 200+ modelli al prezzo di listino del fornitore, con zero ricarico, così il modello reader a valle del tuo retriever può essere sostituito senza riscrivere nulla, e un taglio di prezzo del fornitore su qualunque modello instradato è attivo lo stesso giorno in cui viene annunciato. Questa separazione conta ancora di più quando la parte di retrieval è un checkpoint nuovo di zecca e non ancora collaudato: puoi adottare EVIE-8B per l'indicizzazione mantenendo il livello di generazione dietro un'interfaccia che non ti vincola ad alcun singolo modello.

Cosa guardare dopo

Tre cose trasformerebbero questo da un rilascio silenzioso di una repo in una storia consolidata. Primo, una verifica indipendente: finché qualcuno al di fuori di Tencent non riproduce i risultati di ViDoRe e JinaVDR, sia il "rank #1" di EVIE-8B sia quello della vecchia preview sono affermazioni auto-dichiarate che si trovano in tensione tra loro. Secondo, il paper e le ablazioni promessi: la scelta delle 4096 dimensioni, il checkpoint del weight-mix e la ricetta di distillazione sono attualmente solo asserzioni senza una documentazione scritta a sostegno. Terzo, la denominazione: con EVIE-4.5B che ora occupa il posto che EVIE-Preview-4.5B deteneva tre settimane fa, è una questione aperta se Tencent manterrà viva la linea "Preview" o la assorbirà nella famiglia ridenominata. Dato il ritmo — tre checkpoint di visual-document-retrieval in tre settimane — l'ipotesi più utile è che questa linea stia ricevendo forti investimenti, e che i rilasci silenziosi siano il modo del laboratorio di distribuire in anticipo rispetto al paper.