Zhuchenyang Liu

该工作把多向量视觉文档索引的反演建模为条件文档图像生成，在零侧信息下仅凭存储的向量识别编码器、推断页面形状并恢复乱序索引的顺序，用条件流匹配反演器重绘页面；在ViDoRe v3上，原始索引反演出的页面恢复47%的词和45%的敏感词元，并以98.4%的比例把源页排在第一。

该工作把多向量视觉文档索引的反演建模为条件文档图像生成，在零侧信息下仅凭存储的向量识别编码器、推断页面形状并恢复乱序索引的顺序，用条件流匹配反演器重绘页面；在ViDoRe v3上，原始索引反演出的页面恢复47%的词和45%的敏感词元，并以98.4%的比例把源页排在第一。

该工作提出 ColNanoVDR，用基于熵最优传输并带可学习 token 权重的 OTW 目标，把多向量视觉文档检索的教师查询编码器蒸馏为仅文本的 149M 学生模型，训练时不编码也不读取任何页面，在 ViDoRe v1–v3 上保留教师约 95% 的 NDCG@5，单 CPU 线程查询编码最高快 26 倍，并在相同训练下以 12.6 分之一的缓存教师数据量达到与分数蒸馏相当的效果。

该工作提出 ColNanoVDR，用基于熵最优传输并带可学习 token 权重的 OTW 目标，把多向量视觉文档检索的教师查询编码器蒸馏为仅文本的 149M 学生模型，训练时不编码也不读取任何页面，在 ViDoRe v1–v3 上保留教师约 95% 的 NDCG@5，单 CPU 线程查询编码最高快 26 倍，并在相同训练下以 12.6 分之一的缓存教师数据量达到与分数蒸馏相当的效果。