Par Elisha Bajemon, Ingénieur IA chez TW3 Partners. Dernière mise à jour : 20 octobre 2026.
En bref
Selon DistilVDR, août 2026, nos jeux de recherche documentaire visuelle fournissent 454 000 des 1,20 million d’images utilisées pour entraîner l’encodeur de documents. Ces images viennent de quatorze collections agrégées dans VDR_MEGA_2, après dédoublonnage, et servent uniquement à l’encodeur de documents. La prépublication, signée par des chercheurs de l’université Aalto et un chercheur indépendant, décrit un système de 524 millions de paramètres entraîné à reproduire les représentations d’un modèle de 8 milliards. Son annexe consacrée aux données permet de suivre cette réutilisation, depuis le dépôt public jusqu’au mélange d’entraînement. Au relevé du 9 octobre 2026 à 12 h 24 UTC, VDR_MEGA_2 sur Hugging Face compte 1 307 téléchargements sur les 30 derniers jours. La prépublication documente ainsi le réemploi de ces données ouvertes par une équipe de recherche extérieure.
1. Qu’est-ce que DistilVDR ?
DistilVDR est un système compact de recherche visuelle de documents, présenté dans une prépublication déposée sur arXiv le 11 août 2026. Trois de ses auteurs sont affiliés à l’université Aalto, en Finlande ; le quatrième est chercheur indépendant aux Pays-Bas.
La recherche visuelle de documents désigne ici la recherche de pages pertinentes à partir d’une question textuelle, chaque page étant traitée comme une image. Dans le système décrit, un encodeur transforme la question en une représentation numérique, appelée vecteur ; un autre fait de même avec chaque image de page. Le rapprochement de ces représentations sert à classer les documents. Notre article Retrouver une page à partir de son image : la recherche visuelle de documents expliquée accompagne cette lecture.
Les auteurs entraînent leur système de 524 millions de paramètres à reproduire les représentations d’un modèle enseignant de 8 milliards de paramètres. Ils publient les variantes HiRes et Fast, qui diffèrent par le nombre de fragments visuels traités par l’encodeur de documents. Pour la qualité de recherche, les auteurs rapportent un score NDCG@5 moyen de 61,74 pour HiRes sur ViDoRe v1, v2 et v3, soit 86,9 % du score de l’enseignant. Il s’agit du résultat du système complet sur ce banc d’essai.
2. Sur quelles données DistilVDR entraîne-t-il son encodeur de documents ?
Selon le protocole de DistilVDR, publié en août 2026, l’encodeur de documents apprend sur un mélange annoncé à 1,20 million d’images uniques, issues de sources publiques sous licences permissives. Les auteurs répartissent ce mélange entre une base, un complément couvrant plusieurs domaines et un complément financier.
| Ensemble d’entraînement | Volume publié | Rôle |
|---|---|---|
| Mélange de base | 711 000 images | Entraînement de l’encodeur de documents |
| Complément multi-domaines Racineai | 454 000 images | Entraînement de l’encodeur de documents |
| Complément financier | 31 700 images | Entraînement de l’encodeur de documents |
| Total annoncé | 1,20 million d’images | Ensemble côté documents |
| Jeu de requêtes NanoVDR | 1,49 million de requêtes | Entraînement de l’encodeur de questions |
Les auteurs décrivent des publications scientifiques, des PDF multilingues provenant du web, des rapports industriels et réglementaires ainsi que des documents financiers. Ils dédoublonnent les ensembles entre eux et contre les corpus d’évaluation ViDoRe à l’aide d’empreintes perceptuelles des images.
Nous recommandons de conserver cette distinction entre documents et questions dans toute présentation du résultat. Dans cette architecture, chaque encodeur apprend séparément à reproduire les représentations produites par l’enseignant. Les requêtes d’entraînement viennent du jeu NanoVDR, tandis que les collections Racineai alimentent le traitement des images documentaires.
3. Que représentent les jeux publiés par notre équipe dans ce mélange ?
Selon l’annexe sur les données de DistilVDR, août 2026, les jeux publiés sous le nom Racineai fournissent la totalité du complément multi-domaines. L’annexe identifie quatorze collections thématiques réunies dans la publication VDR_MEGA_2. Elle indique qu’après dédoublonnage, le sous-ensemble retenu compte 454 000 images et sert exclusivement à l’encodeur de documents.
Le lien avec notre équipe est public : la page R&D de TW3 Partners présente Racine.ai comme sa filiale de recherche et répertorie cette réutilisation. La désignation Racineai employée dans le papier correspond au nom du compte qui publie les jeux sur Hugging Face.
La fiche VDR_MEGA_2 de Racineai, relevée le 9 octobre 2026, décrit notamment une image de page, une question, un identifiant et un champ de langue pour chaque entrée. Le volume retenu par DistilVDR est celui du sous-ensemble obtenu après le dédoublonnage décrit dans sa prépublication.
Pour une équipe data qui publie un corpus, nous recommandons de documenter cette filiation : dépôt d’origine, version récupérée, transformations appliquées et destination dans le modèle. Une personne qui reprend le travail doit pouvoir retrouver le chemin entre les données accessibles et celles effectivement utilisées.
4. Pourquoi licences et dédoublonnage comptent-ils pour une réutilisation ?
Une licence explicite et un protocole de dédoublonnage documenté donnent à l’équipe qui reprend les données des éléments pour préparer leur utilisation. La fiche Hugging Face de VDR_MEGA_2, relevée le 9 octobre 2026, affiche la licence Apache 2.0. Dans leur annexe, les auteurs de DistilVDR, août 2026, indiquent également que les collections sont fournies sous licences permissives.
Notre recommandation de cabinet est de conserver la licence du dépôt agrégé et celles des jeux sources dans le dossier de réutilisation, puis de faire examiner leur compatibilité avec l’usage envisagé. Ce dossier comprend aussi Licence MIT ou AGPL-3.0 : ce que change la licence d’un composant d’IA pour un produit d’entreprise.
Sur le traitement des données, DistilVDR compare le complément multi-domaines à la base et aux corpus d’évaluation ViDoRe. Les auteurs comparent les empreintes perceptuelles à distance nulle, une opération qu’ils décrivent comme un retrait des doublons visuels exacts.
Pour un projet d’entreprise, notre recommandation est d’archiver la règle de comparaison et les exclusions, puis de prévoir une vérification adaptée aux versions proches d’un même document. Le sujet rejoint Lire un classement public de modèles : date du relevé, catégorie déclarée et fuite des données de test. La séparation des documents d’apprentissage et d’évaluation doit pouvoir être examinée au moment d’interpréter les résultats.
5. Que disent les téléchargements des jeux VDR ?
Les téléchargements renseignent sur la diffusion d’un dépôt selon les règles de comptage de la plateforme ; ils ne décrivent ni les projets conduits ni le nombre d’utilisateurs distincts. La documentation Hugging Face sur ces compteurs, relevée le 9 octobre 2026, distingue les téléchargements des 30 derniers jours du cumul depuis la création du jeu.
Le relevé effectué le 9 octobre 2026 à 12 h 24 UTC donne les valeurs suivantes, obtenues auprès de Hugging Face et archivées avec cet article.
| Dépôt Hugging Face | Sur les 30 derniers jours | Cumul depuis la création |
|---|---|---|
| VDR_MEGA_2 | 1 307 | 28 757 |
| VDR_MEGA_MultiDomain_DocRetrieval | 1 116 | 106 838 |
La documentation du comptage Hugging Face, relevée le même jour, précise que les téléchargements de fichiers d’un utilisateur, identifié par son adresse IP, sont regroupés par dépôt dans une fenêtre de cinq minutes. Le compteur correspond donc à une convention de mesure de la plateforme.
La page R&D de TW3 Partners affiche pour sa part plus de 1,4 million de téléchargements au 19 septembre 2026. Ce total cumulé couvre les organisations paloalma et racineai, avec leurs modèles et jeux de données. Son périmètre et sa période diffèrent de ceux des compteurs mensuels présentés ici. Pour suivre la diffusion dans le temps, nous recommandons de conserver une série de relevés avec les mêmes dépôts et la même fenêtre.
6. Ce que cette réutilisation montre, et ce qu’elle laisse ouvert
DistilVDR apporte une trace publiée de l’intégration de nos jeux dans l’entraînement mené par une équipe extérieure. Les auteurs nomment la publication source et indiquent le volume retenu, le traitement appliqué et la partie du système qui utilise les données. C’est sur cette chaîne documentée que repose notre lecture de leur réutilisation.
La prépublication d’août 2026 comprend une expérience qui fait varier le volume du mélange d’images utilisé pour entraîner l’encodeur de documents ; elle n’isole pas le gain propre au complément Racineai. Pour une direction qui évalue l’intérêt d’ouvrir ses jeux, la réutilisation documentée constitue ainsi un indicateur à suivre séparément de la performance finale du modèle utilisateur.
Notre recommandation de cabinet est de préparer la publication comme une transmission à une équipe qui devra travailler de façon autonome. Cela suppose d’expliciter les champs, de conserver l’origine des images et de décrire les transformations. Nous recommandons aussi de rendre le dédoublonnage reproductible et de dater les relevés de diffusion.
Pour décider d’intégrer un tel corpus dans un projet interne, nous proposons de commencer par vérifier son adéquation aux documents et aux questions métier visés. L’équipe peut ensuite construire une évaluation distincte et comparer les résultats avec et sans ce complément, en conservant les autres conditions d’entraînement. Cette démarche est une proposition de méthode du cabinet, à adapter au projet.
FAQ
Qu’est-ce que la distillation dans DistilVDR ?
Dans DistilVDR, août 2026, elle consiste à entraîner les encodeurs élèves à reproduire les représentations numériques d’un modèle enseignant.
L’objectif d’entraînement des élèves utilise cet alignement, sans étiquettes de pertinence, échantillonnage négatif ni terme contrastif.
Les jeux VDR ont-ils servi à évaluer DistilVDR ?
L’annexe de DistilVDR, août 2026, les affecte à l’entraînement de l’encodeur de documents.
L’évaluation porte sur ViDoRe, dont les corpus sont inclus dans le contrôle de dédoublonnage des données d’entraînement.
Quels jeux exactement les auteurs ont-ils repris ?
Le papier d’août 2026 désigne quatorze collections thématiques agrégées dans racineai/VDR_MEGA_2.
Son tableau de composition les regroupe sous cette origine commune, pour 454 000 images après dédoublonnage.
Les auteurs sont-ils tous de l’université Aalto ?
Les affiliations de la prépublication du 11 août 2026 rattachent trois auteurs à Aalto.
Le quatrième est chercheur indépendant aux Pays-Bas.
Un compteur de téléchargements mesure-t-il des utilisateurs ?
La documentation Hugging Face relevée le 9 octobre 2026 décrit un regroupement des accès par dépôt et par fenêtre temporelle.
Un tel cumul ne fournit donc pas un effectif d’utilisateurs distincts sur toute la période.
Peut-on réutiliser ces jeux dans un projet d’entreprise ?
La fiche VDR_MEGA_2 relevée le 9 octobre 2026 affiche Apache 2.0.
Nous recommandons de vérifier les licences des jeux sources et leur adéquation à l’usage prévu avant d’intégrer le corpus au projet.
Pour aller plus loin
- Retrouver une page à partir de son image : la recherche visuelle de documents expliquée.
- Recherche et développement de TW3 Partners.
- Modèles et jeux de données ouverts publiés par TW3 et Racine.ai : usages, licences et téléchargements.
Sources
- Zhuchenyang Liu, Ziyi Wang, Yao Zhang et Yu Xiao, DistilVDR: A Compact End-to-End Visual Document Retriever via Dual-Student Distillation, arXiv, version initiale du 11 août 2026, notice et texte intégral consultés le 9 octobre 2026.
- Racineai, VDR_MEGA_2, Hugging Face, consulté le 9 octobre 2026 ; compteurs relevés à 12 h 24 UTC.
- Racineai, VDR_MEGA_MultiDomain_DocRetrieval, Hugging Face, consulté le 9 octobre 2026 ; compteurs relevés à 12 h 24 UTC.
- Hugging Face, documentation de DatasetInfo, consultée le 9 octobre 2026.
- Hugging Face, Datasets Download Stats, consulté le 9 octobre 2026.
- TW3 Partners, Recherche et développement, total des téléchargements daté du 19 septembre 2026, consulté le 9 octobre 2026.