EVIE-8B: Tencent Lança Silenciosamente Seu Recuperador de Documentos Visuais Mais Preciso até Agora

Há três semanas, o EVIE-Preview-4.5B da Tencent era o recuperador visual de documentos aberto mais preciso nos rankings do ViDoRe, com base em números relatados pela própria Tencent. Em 4 de setembro, a Tencent silenciosamente substituiu esse modelo no topo do seu próprio leaderboard — não com um desafiante externo, mas com um irmão maior lançado na mesma manhã. O EVIE-8B, um recuperador de interação tardia de 8,41B parâmetros sobre uma espinha dorsal Qwen3.5-9B com embeddings por token de 4096 dimensões, chegou como pesos e código no Hugging Face e no GitHub, sem anúncio, sem postagem de blog e sem artigo. Um terceiro checkpoint, o EVIE-4.5B, apareceu no mesmo minuto e agora fica entre os dois. Toda alegação associada a este lançamento — as pontuações, a arquitetura, até mesmo para que servem os modelos — atualmente se baseia no que os próprios repositórios da Tencent dizem, porque ninguém fora da Tencent publicou nada sobre o EVIE-8B ainda. Isto é o que realmente pode ser sabido a partir do repositório, e o que ainda não foi confirmado.

O que a Tencent lançou em 4 de setembro

Em 04/09/2026, dois novos repositórios apareceram na organização tencent no Hugging Face com cerca de um minuto de diferença: tencent/EVIE-8B e tencent/EVIE-4.5B. Um repositório consolidado no GitHub, Tencent/EVIE, foi disponibilizado junto com eles, contendo o código de treinamento, o mecanismo de inferência ColQwen3.5 e a suíte de avaliação de 138 tarefas. Ambos os repositórios de modelos são Apache-2.0, ambos usam a biblioteca colpali-engine e ambos carregam a tag de pipeline visual-document-retrieval. O antigo EVIE-Preview-4.5B, de 17 de agosto, permanece no Hugging Face sob o nome "Preview", mas não é mais o carro-chefe da família: no leaderboard atualizado dentro do card do EVIE-8B, a Tencent lista três de seus próprios checkpoints no topo — EVIE-8B com 66,75 ViDoRe V3 nDCG@10, EVIE-4.5B com 66,02 e EVIE-Preview-4.5B com 65,36.

Não houve nenhum anúncio em lugar algum. A nota de versão do cartão EVIE-8B afirma que os pesos, os pipelines de inferência e os conjuntos de avaliação são de código aberto, e acrescenta que "detalhes técnicos completos, ablações arquiteturais e o artigo de pesquisa formal serão atualizados em uma versão futura". O repositório do GitHub tinha quatro commits e nenhuma release no momento da redação. Nenhum dos novos repositórios mostra adoção significativa ainda — sem forks da comunidade com resultados independentes, sem avaliações de terceiros, e os contadores de downloads ainda próximos de zero dois dias após os repositórios terem se tornado públicos. Com base nas evidências, esta é uma divulgação da Tencent do tipo "primeiro os pesos, depois o artigo", no mesmo padrão silencioso que o laboratório usou para EVIE-Preview-4.5B e UI-Mate-9B em agosto.

O card do modelo tencent/EVIE-8B acima é a superfície pública do lançamento: um checkpoint de recuperação de documentos visuais marcado para a biblioteca colpali-engine, licenciado sob Apache-2.0, com um embedding de interação tardia de 4096 dimensões e a tabela ViDoRe atualizada da própria família perto do topo do card.

EVIE-8B, o professor principal

Arquiteturalmente, o EVIE-8B pertence à família de interação tardia ColPali/ColBERT. Em vez de comprimir uma página em um único vetor de embedding — a operação com perdas que a recuperação densa de vetor único realiza — ele executa um backbone de visão-linguagem sobre a imagem da página e mantém uma representação multivetorial por token; em seguida, a relevância é pontuada com o operador MaxSim: cada token da consulta encontra sua melhor correspondência entre os tokens da página, e esses máximos são somados para compor a pontuação de relevância. As escolhas específicas do EVIE-8B são um backbone Qwen3.5-9B executado com atenção bidirecional completa (o modelo é transformado em um encoder, de modo que a máscara causal é desativada em toda a sequência visão-texto) e uma ampla projeção de 4096 dimensões por token. O objetivo da largura é a fidelidade: layout espacial, tipografia, estrutura de gráficos e relações tabulares sobrevivem na representação em vez de se perderem na média.

A Tencent posiciona o EVIE-8B explicitamente como o "professor carro-chefe". O aluno EVIE-4.5B é treinado a partir dele com uma receita que a Tencent chama de EVIE-ARD — destilação de relações com preservação de âncoras e consciência de capacidade, que transfere a topologia de relações entre tokens e usa supervisão de margem com negativos difíceis. Em outras palavras, o modelo de 8B tem duas funções: definir o teto de precisão da linha de produtos e servir como a âncora de qualidade da qual o aluno compacto faz a destilação. No lado do treinamento, a ficha técnica reporta 775.635 pares documento-consulta, com negativos difíceis minerados e reavaliados por um avaliador multimodal, que promove candidatos respondíveis à categoria de positivos, aplica máscara aos ambíguos para excluí-los da perda e mantém apenas páginas estritamente irrelevantes como negativos verdadeiros. O checkpoint "a40" divulgado é, ele próprio, uma mistura no espaço de pesos, com α = 0,40, de dois braços treinados de forma independente.

O placar que a Tencent escreveu para si mesma

Todos os números abaixo são reportados pelo fornecedor. Eles vêm da própria ficha técnica do modelo da Tencent e foram produzidos com a ferramenta de avaliação que a Tencent disponibiliza em seu repositório; nenhum foi reproduzido de forma independente, e o EVIE-8B ainda não foi executado por ninguém fora do laboratório.

• Parâmetros / backbone — 8,41B, Qwen3.5-9B, atenção bidirecional total.

• Embedding — multi-vetor de 4096 dimensões por token, interação tardia MaxSim.

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

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

• ViDoRe V3 (48 tarefas, nDCG@10) — 66.75, com uma varredura por domínio, o cartão afirma vencer em todos os oito domínios públicos.

• JinaVDR (76 tarefas, nDCG@10) — 83.30; média macro de quatro painéis nDCG@10 — 79.51 na suíte de 138 tarefas.

• Licença — Apache-2.0; pesos, inferência e código de avaliação abertos.

A linha mais interessante da tabela da Tencent é aquela em que a Tencent supera a própria Tencent. O card do EVIE-Preview-4.5B publicado em agosto afirmava ter alcançado o "Rank #1 no ViDoRe V3", com 65,36 em nDCG@10, superando por pouco os 65,32 do webAI-ColVec1.1-8b. Na tabela atualizada dentro do card do EVIE-8B, esse mesmo 65,36 agora aparece em terceiro lugar geral, atrás dos 66,75 do EVIE-8B e dos 66,02 do EVIE-4.5B. O detalhamento por domínio do EVIE-8B supera a prévia antiga em todos os oito domínios públicos do ViDoRe V3 — CompSci 81,86 contra 80,65, Finance EN 71,23 contra 70,50, Pharma 70,81 contra 69,20 e assim por diante —, com um ganho médio de 1,39 pontos. A questão em aberto é exatamente se esse ganho se sustenta em uma execução independente; mas a consistência interna é digna de nota, pois um professor que não conseguisse vencer o próprio aluno seria algo estranho de lançar.

O gráfico da família acima reafirma o ranking de três checkpoints que a Tencent publicou na ficha do EVIE-8B em 4 de setembro — EVIE-8B com 66,75, EVIE-4.5B com 66,02, EVIE-Preview-4.5B com 65,36 no ViDoRe V3 nDCG@10 — com a versão prévia de 128D dando lugar ao professor de 4096D e ao aluno Prefix-MRL.

Por que o carro-chefe não é o modelo de implantação

Há uma razão pela qual o líder em acurácia é chamado de teacher em vez de default. Largura custa armazenamento e computação de scoring, e 4.096 dimensões por token é uma largura muito grande. Em BF16, um vetor de token do EVIE-8B ocupa 8 KiB antes de qualquer quantização, e uma página densa pode produzir centenas de vetores de token — o protocolo de avaliação do próprio model card limita documentos a 1.024 tokens visuais por página. A Tencent não publica nenhum dado sobre o tamanho do índice do EVIE-8B, o que chama a atenção porque o model card do EVIE-Preview-4.5B publicou números exatos para seu índice de 128 dimensões: 179,2 GiB de índice BF16 bruto por milhão de páginas com seu orçamento de treinamento de 768 tokens, e 420,5 GiB no patamar extrapolado de 1.792 tokens. Vetor por vetor, os embeddings do EVIE-8B são 32 vezes mais largos que os do preview; portanto, um índice EVIE-8B bruto com o mesmo orçamento de tokens chega à ordem de vários terabytes por milhão de páginas — antes mesmo de o sistema de recuperação, que precisa manter esse índice em RAM, entrar na conversa.

O lançamento do EVIE-4.5B no mesmo dia é a pista de como a Tencent espera que essa tensão seja resolvida. O EVIE-4.5B é o modelo aluno de 4,61B com uma única projeção de 2048 dimensões, truncada em tempo de execução para 64, 128, 256, 512, 1024 ou 2048 dimensões (a Tencent chama esse esquema de Prefix-MRL), além de um passo de compressão de tokens sem treinamento, que ela chama de HAC e que agrupa os cerca de 750 tokens visuais de uma página em 32 a 64 vetores. O destaque da Tencent para esse modelo é um footprint de índice de 3,81 GiB por milhão de páginas — um número que, assim como os demais, é informado pelo fornecedor. Em conjunto, o lançamento parece menos "um novo modelo de 8B" e mais uma família deliberada: o 8B define o teto e treina o aluno, e o aluno é o que tem o tamanho certo para de fato ficar por trás de um índice em produção.

Como executar o EVIE-8B hoje

O EVIE-8B é distribuído apenas como pesos. Não há API hospedada em nenhuma plataforma — incluindo OrcaRouter — portanto, a única via hoje é auto-hospedar o checkpoint e executá-lo por meio do caminho ColQwen3.5 no colpali-engine. O guia de início rápido da ficha do modelo é curto: carregue o modelo em BF16 com flash-attention, chame enable_bidirectional_attention(), incorpore as imagens das páginas e a consulta de texto e, em seguida, pontue com o MaxSim do processador. A etapa bidirecional não é enfeite opcional — o colpali-engine lançado constrói o ColQwen3.5 com máscaras causais por padrão, e a ficha do modelo de pré-visualização documentou que deixar a máscara no lugar custa cerca de 1,1 pontos no MaxSim do principal resultado. A mesma função auxiliar está disponível para o EVIE-8B. Um checkpoint BF16 de 8,41B está na ordem de 17 GB de pesos, pela regra prática de dois bytes por parâmetro; portanto, essa é uma proposta de GPU única com folga, e não um modelo de borda, e o corpus fica onde você mantém o índice, não no modelo.

O que o EVIE-8B muda em uma stack RAG de documentos

Para quem está construindo recuperação sobre digitalizações, documentos protocolados, gráficos ou formulários, a mudança prática é que o teto de qualidade da recuperação aberta de documentos visuais acabou de subir — e subiu dentro de uma família que agora abrange três pontos de preço e desempenho. Mas um retriever apenas entrega as páginas. O modelo que lê essas páginas e escreve a resposta é uma decisão separada, e é nessa camada que o roteamento mostra seu valor: o OrcaRouter expõe uma única API para 200+ modelos pelo preço de tabela do provedor, com markup de 0%. Assim, o modelo leitor por trás do seu retriever pode ser trocado sem que você reescreva nada, e um corte de preço do fornecedor em qualquer modelo roteado entra em vigor no mesmo dia em que é anunciado. Essa separação importa ainda mais quando a parte de recuperação é um checkpoint recém-criado e ainda não comprovado — você pode adotar o EVIE-8B para indexação mantendo a camada de geração atrás de uma interface que não o acopla a nenhum modelo específico.

O que assistir a seguir

Três coisas transformariam isso de um lançamento silencioso no repositório em uma história consolidada. Primeiro, uma execução independente: até que alguém de fora da Tencent reproduza os números do ViDoRe e do JinaVDR, tanto o "rank #1" do EVIE-8B quanto o "rank #1" da antiga prévia são alegações autorrelatadas que estão em tensão entre si. Segundo, o artigo prometido e as ablações — a escolha de 4096 dimensões, o checkpoint de mistura de pesos e a receita de destilação são, no momento, apenas afirmações sem o artigo que as respalde. Terceiro, a nomenclatura: com o EVIE-4.5B agora ocupando o lugar que o EVIE-Preview-4.5B detinha há três semanas, fica em aberto se a Tencent manterá viva a linha "Preview" ou a incorporará à família renomeada. Dado o ritmo — três checkpoints de recuperação de documentos visuais em três semanas — a suposição mais útil é que essa linha está recebendo forte investimento, e que os lançamentos silenciosos são a forma do laboratório de entregar antes do artigo.