base_model: vidore/ColSmolVLM-base library_name: peft tags:

• vidore-experimental
• vidore pipeline_tag: visual-document-retrieval

ColSmolVLM-v0.1：基于SmolVLM-Instruct与ColBERT策略的视觉检索模型

此版本采用128批量大小训练3个周期

ColSmolVLM是一种基于视觉语言模型（VLM）的新型架构与训练策略的模型，能高效通过视觉特征索引文档。作为SmolVLM的扩展，它能生成文本和图像的ColBERT风格多向量表示。该模型在论文ColPali：基于视觉语言模型的高效文档检索中提出，并首发于此代码库。

此版本为未训练的基准版本，用于确保投影层的确定性初始化。

版本特性

本版本使用colpali-engine==0.3.5训练（代码库主分支）。

数据与论文描述的ColPali数据相同。

模型训练

数据集

我们的127,460组查询-页面训练数据集包含：开放学术数据集训练集（63%），以及由网络爬取PDF文档页面构成、并通过VLM（Claude-3 Sonnet）生成伪问题增强的合成数据集（37%）。训练集全为英语设计，以研究对非英语语言的零样本泛化能力。我们明确验证ViDoRe与训练集中无重复多页PDF文档，防止评估污染。验证集取2%样本用于超参数调优。

注：多语言数据存在于语言模型的预训练语料库中，极可能也存在于多模态训练中。

参数

除非特别说明，我们以bfloat16格式训练模型，在语言模型的Transformer层及随机初始化的最终投影层上使用alpha=32和r=32的低秩适配器（LoRA），并采用paged_adamw_8bit优化器。我们在4 GPU设置下进行数据并行训练，学习率5e-4带2.5%预热步数的线性衰减，批量大小为32。

使用方式

确保安装colpali-engine源码或版本高于0.3.5（当前代码库主分支）。transformers版本需>4.46.2。

pip install git+https://github.com/illuin-tech/colpali

import torch
from PIL import Image

from colpali_engine.models import ColIdefics3, ColIdefics3Processor

model = ColIdefics3.from_pretrained(
        "vidore/colsmolvlm-v0.1",
        torch_dtype=torch.bfloat16,
        device_map="cuda:0",
        attn_implementation="flash_attention_2" # 或eager
    ).eval()
processor = ColIdefics3Processor.from_pretrained("vidore/colsmolvlm-v0.1")

# 输入示例
images = [
    Image.new("RGB", (32, 32), color="white"),
    Image.new("RGB", (16, 16), color="black"),
]
queries = [
    "注意力机制真的万能吗？",
    "萨尔瓦多的香蕉种植量是多少？",
]

# 处理输入
batch_images = processor.process_images(images).to(model.device)
batch_queries = processor.process_queries(queries).to(model.device)

# 前向计算
with torch.no_grad():
    image_embeddings = model(**batch_images)
    query_embeddings = model(**batch_queries)

scores = processor.score_multi_vector(query_embeddings, image_embeddings)

局限性

• 专注领域：模型主要针对PDF类文档和高资源语言，对其他文档类型或低资源语言的泛化能力可能有限。
• 支持框架：模型依赖ColBERT后期交互机制衍生的多向量检索，可能需要工程改造以适应缺乏原生多向量支持的通用向量检索框架。

许可

ColQwen2的视觉语言主干模型（Qwen2-VL）采用apache2.0许可，模型适配器采用MIT许可。

联系方式

• Manuel Faysse: manuel.faysse@illuin.tech
• Hugues Sibille: hugues.sibille@illuin.tech
• Tony Wu: tony.wu@illuin.tech

引用

若在研究中使用本组织的任何数据集或模型，请按以下格式引用原始论文：

@misc{faysse2024colpaliefficientdocumentretrieval,
  title={ColPali: Efficient Document Retrieval with Vision Language Models}, 
  author={Manuel Faysse and Hugues Sibille and Tony Wu and Bilel Omrani and Gautier Viaud and Céline Hudelot and Pierre Colombo},
  year={2024},
  eprint={2407.01449},
  archivePrefix={arXiv},
  primaryClass={cs.IR},
  url={https://arxiv.org/abs/2407.01449}, 
}