🚀 ColPali：基于PaliGemma - 3B和ColBERT策略的视觉检索器

ColPali是一个基于视觉语言模型（VLMs）的新型模型架构和训练策略的模型，可根据文档的视觉特征对其进行高效索引。它是PaliGemma - 3B的扩展，能够生成ColBERT风格的文本和图像多向量表示。该模型在论文ColPali: Efficient Document Retrieval with Vision Language Models中被提出，并首次在此仓库中发布。

✨ 主要特性

版本特性

• 此版本使用colpali - engine==0.2.0进行训练，但可以加载任何版本>=0.2.0。
• 与vidore/colpali相比，该版本在查询时使用右填充，以修复查询编码中不需要的标记。
• 它基于修复后的vidore/colpaligemma - 3b - pt - 448 - base，以保证投影层初始化的确定性。
• 该模型训练了5个周期，使用批内负样本和硬挖掘负样本，并进行了1000步（长10倍）的热身，以帮助减少非英语语言的崩溃。
• 数据与论文中描述的ColPali数据相同。

模型描述

• 该模型从现成的SigLIP模型开始迭代构建。
• 对其进行微调以创建BiSigLIP，并将SigLIP输出的图像块嵌入输入到大型语言模型PaliGemma - 3B中，以创建BiPali。
• 通过语言模型输入图像块嵌入的一个好处是，它们可以自然地映射到与文本输入（查询）相似的潜在空间。这使得可以利用ColBERT策略来计算文本标记和图像块之间的交互，与BiPali相比，性能有了显著提升。

模型训练

数据集

• 训练数据集包含127,460个查询 - 页面对，由公开可用的学术数据集的训练集（63%）和一个合成数据集组成，合成数据集由网络爬取的PDF文档页面组成，并使用VLM生成（Claude - 3 Sonnet）的伪问题进行增强（37%）。
• 训练集设计为全英文，以便研究对非英语语言的零样本泛化能力。明确验证了没有多页PDF文档同时用于ViDoRe和训练集中，以防止评估污染。
• 使用2%的样本创建验证集来调整超参数。

注意：多语言数据存在于语言模型（Gemma - 2B）的预训练语料库中，并且可能在PaliGemma - 3B的多模态训练期间出现。

参数

• 所有模型在训练集上训练1个周期。除非另有说明，否则以bfloat16格式训练模型，使用低秩适配器（LoRA），在语言模型的变压器层以及最终随机初始化的投影层上设置alpha = 32和r = 32，并使用paged_adamw_8bit优化器。
• 在8个GPU上进行数据并行训练，学习率为5e - 5，采用线性衰减，热身步骤为2.5%，批量大小为32。

📦 安装指南

安装[colpali - engine](https://github.com/illuin - tech/colpali)：

pip install colpali - engine>=0.3.0,<0.4.0

💻 使用示例

基础用法

from typing import cast

import torch
from PIL import Image

from colpali_engine.models import ColPali, ColPaliProcessor

model_name = "vidore/colpali - v1.2"

model = ColPali.from_pretrained(
    model_name,
    torch_dtype = torch.bfloat16,
    device_map = "cuda:0",  # or "mps" if on Apple Silicon
).eval()

processor = ColPaliProcessor.from_pretrained(model_name)

# Your inputs
images = [
    Image.new("RGB", (32, 32), color = "white"),
    Image.new("RGB", (16, 16), color = "black"),
]
queries = [
    "Is attention really all you need?",
    "Are Benjamin, Antoine, Merve, and Jo best friends?",
]

# Process the inputs
batch_images = processor.process_images(images).to(model.device)
batch_queries = processor.process_queries(queries).to(model.device)

# Forward pass
with torch.no_grad():
    image_embeddings = model(**batch_images)
    query_embeddings = model(**batch_queries)

scores = processor.score_multi_vector(query_embeddings, image_embeddings)

🔧 技术细节

局限性

• 聚焦范围：该模型主要聚焦于PDF类型的文档和资源丰富的语言，可能限制了其对其他文档类型或代表性不足语言的泛化能力。
• 支持情况：该模型依赖于从ColBERT后期交互机制派生的多向量检索，可能需要工程努力才能适应缺乏原生多向量支持的广泛使用的向量检索框架。

许可证

ColPali的视觉语言骨干模型（PaliGemma）遵循其模型卡片中指定的gemma许可证。附加到模型的适配器遵循MIT许可证。

联系信息

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

引用

如果在研究中使用了该组织的任何数据集或模型，请按以下方式引用原始数据集：

@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}, 
}