{"id":3443264,"date":"2026-09-07T14:52:09","date_gmt":"2026-09-07T12:52:09","guid":{"rendered":"https:\/\/datanorth.ai\/?post_type=news&p=3443264"},"modified":"2026-09-07T14:51:57","modified_gmt":"2026-09-07T12:51:57","slug":"tencent-brengt-evie-8b-en-evie-4-5b-uit","status":"publish","type":"news","link":"https:\/\/datanorth.ai\/nl\/nieuws\/tencent-brengt-evie-8b-en-evie-4-5b-uit","title":{"rendered":"Tencent brengt EVIE-8B en EVIE-4.5B uit"},"content":{"rendered":"\n

Gepubliceerd 7 september 2026<\/em><\/p>\n\n\n\n

Tencent bracht op 7 september 2026 EVIE-8B en EVIE-4.5B uit, twee modellen met open gewichten die documentpagina’s doorzoeken als afbeelding in plaats van als uitgelezen tekst. Tencent meldt 66,75 nDCG@10 voor EVIE-8B op ViDoRe V3, de zwaarste van de drie standaardtests voor deze taak, tegenover 63,54 voor nemotron-colembed-vl-8b-v2 van NVIDIA. Beide modellen hebben een Apache 2.0-licentie, dus je mag ze commercieel gebruiken en op je eigen machines draaien.<\/p>\n\n\n\n

Wat doen EVIE-8B en EVIE-4.5B?<\/h2>\n\n\n\n

Ze vinden de juiste pagina. Je stelt een vraag, het model rangschikt een stapel documentafbeeldingen en levert de pagina’s terug die het antwoord waarschijnlijk bevatten. De pagina wordt nooit eerst naar tekst omgezet. Dat is belangrijk bij pdf’s vol tabellen, grafieken, stempels en kleine lettertjes, waar een OCR-stap doorgaans de opmaak vernielt die de pagina leesbaar maakte.<\/p>\n\n\n\n

EVIE staat voor Evidence-Vector-Informed Embedding. Beide modellen gebruiken late interactie, wat betekent dat een pagina wordt opgeslagen als honderden kleine vectoren in plaats van \u00e9\u00e9n samenvattende vector. E\u00e9n vector per pagina gooit weg waar iets op de pagina stond. Honderden vectoren houden dat vast, en dat verklaart de hogere scores op documenten met echte structuur.<\/p>\n\n\n\n

EVIE-8B is het grootste model en werd gebruikt om het kleinere te trainen. Beide zijn gebouwd op Qwen3.5, de open modelfamilie van Alibaba, in de ColQwen3.5-opzet. Een release van Tencent die op een basis van Alibaba staat, is het opmerken waard. De Chinese labs met open gewichten bouwen nu net zo makkelijk op elkaar voort als westerse teams op Llama.<\/p>\n\n\n\n

Benchmarkscores van EVIE-8B en EVIE-4.5B<\/h2>\n\n\n\n

De tabel hieronder laat zien waar de EVIE-modellen staan tegenover de concurrenten die Tencent zelf voor de vergelijking koos. Lees de laatste twee regels voor de eerste drie.<\/p>\n\n\n\n

Wat wordt gemeten<\/th>EVIE<\/th>Genoemde concurrent<\/th><\/tr><\/thead>
ViDoRe V3, nDCG@10 (zwaarste paginazoektaak)<\/td>EVIE-8B: 66,75<\/td>webAI-ColVec1.1-8b: 65,32<\/td><\/tr>
ViDoRe V2, nDCG@5 (onbekende domeinen)<\/td>EVIE-8B: 74,23<\/td>VultronRetrieverPrime-8B: 68,18<\/td><\/tr>
ViDoRe V1, nDCG@5 (de oorspronkelijke test)<\/td>EVIE-8B: 92,18<\/td>nemotron-colembed-vl-8b-v2: 92,65<\/td><\/tr>
ViDoRe V3, nDCG@10, kleiner model<\/td>EVIE-4.5B: 66,02<\/td>VultronRetrieverCore-4.5B: 63,57<\/td><\/tr>
ViDoRe V3 met opslagcompressie aan<\/td>EVIE-4.5B d64 K32: 59,58<\/td>tomoro-colqwen3-embed-4b: 60,16<\/td><\/tr>
Indexopslag per miljoen pagina’s<\/td>3,81 GiB bij 32 vectoren per pagina<\/td>Circa 750 vectoren per pagina ongecomprimeerd<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Alle cijfers hier komen van Tencent zelf. Het bedrijf publiceerde een evaluatiematrix van 138 taken voor EVIE, maar zegt niet of de scores van de concurrenten opnieuw zijn gedraaid op dezelfde opzet of zijn overgenomen uit gepubliceerde cijfers. Het protocol op de modelkaart is een eigen instelling, dus geen van deze cijfers sluit aan op wat je elders vindt, tenzij je ze zelf opnieuw draait. Niemand buiten Tencent heeft het resultaat gecontroleerd.<\/p>\n\n\n\n

Hoe EVIE-4.5B de opslagkosten verlaagt<\/h2>\n\n\n\n

Late interactie heeft altijd \u00e9\u00e9n zwakte gehad. Een pagina wordt ongeveer 750 vectoren, en een miljoen pagina’s wordt een index die je moet verantwoorden bij degene die over opslag gaat. EVIE-4.5B pakt dat van twee kanten aan, en dat is het interessante deel van deze release, niet de benchmarktabel.<\/p>\n\n\n\n

Het eerste is Prefix-MRL. E\u00e9n projectie levert 2048 getallen per vector, en je kunt de staart er tijdens het zoeken afknippen tot 1024, 512, 256, 128 of 64, zonder een ander model te laden. Bij 128 getallen zakt de ViDoRe V3-score van 66,02 naar 65,27. Een zestien keer smallere vector kost driekwart punt.<\/p>\n\n\n\n

Het tweede is HAC, een clusterstap die de ongeveer 750 vectoren van een pagina terugbrengt naar 32 of 64. Er is geen training voor nodig en je kunt hem aanzetten nadat je het model al gekozen hebt. De kleinste gepubliceerde instelling van Tencent bewaart een miljoen pagina’s in 3,81 GiB.<\/p>\n\n\n\n

De praktische details, allemaal gepubliceerd door Tencent:<\/p>\n\n\n\n