Nomic Embed Multimodal 7b

🚀 Nomic Embed Multimodal 7B：先進的視覺文檔檢索模型

nomic-embed-multimodal-7b 是一款先進的密集多模態嵌入模型，在視覺文檔檢索任務中表現卓越：

• 高性能：在 Vidore-v2 上實現了 58.8 的 NDCG@5，超越了所有其他密集多模態嵌入模型。
• 統一的文本 - 圖像編碼：無需複雜的預處理，可直接對交錯的文本和圖像進行編碼。
• 先進的架構：擁有 70 億參數的多模態嵌入模型。
• 完全開源：模型權重、訓練數據和代碼均公開可用。

🚀 快速開始

若要使用 nomic-embed-multimodal-7b，請從源代碼安裝 colpali：

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

import torch
from PIL import Image
from transformers.utils.import_utils import is_flash_attn_2_available

from colpali_engine.models import BiQwen2_5, BiQwen2_5_Processor

model_name = "nomic-ai/nomic-embed-multimodal-7b"

model = BiQwen2_5.from_pretrained(
    model_name,
    torch_dtype=torch.bfloat16,
    device_map="cuda:0",  # 若使用蘋果硅芯片，則為 "mps"
    attn_implementation="flash_attention_2" if is_flash_attn_2_available() else None,
).eval()

processor = BiQwen2_5_Processor.from_pretrained(model_name)

# 輸入數據
images = [
    Image.new("RGB", (128, 128), color="white"),
    Image.new("RGB", (64, 32), color="black"),
]
queries = [
    "What is the organizational structure for our R&D department?",
    "Can you provide a breakdown of last year’s financial performance?",
]

# 處理輸入
batch_images = processor.process_images(images).to(model.device)
batch_queries = processor.process_queries(queries).to(model.device)

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

scores = processor.score(list(torch.unbind(query_embeddings)), list(torch.unbind(image_embeddings)))

✨ 主要特性

性能表現

模型架構

• 總參數：70 億
• 訓練方式：基於 Qwen2.5 - VL 7B Instruct 進行微調
• 架構類型：具有統一文本和圖像輸入處理的視覺 - 語言模型
• 關鍵創新點：
  • 同來源採樣以創建更具挑戰性的批次內負樣本
  • 採用正樣本感知技術進行難負樣本挖掘

與 RAG 工作流的集成

Nomic Embed Multimodal 7B 可無縫集成到檢索增強生成（RAG）工作流中：

1. 直接文檔嵌入：直接嵌入文檔頁面圖像，跳過 OCR 和複雜處理。
2. 更快的處理速度：消除預處理步驟，實現更快的索引。
3. 更完整的信息：在單個嵌入中捕獲文本和視覺線索。
4. 簡單的實現方式：對文本和圖像使用相同的 API。

推薦用例

該模型在處理挑戰傳統純文本系統的現實文檔檢索場景方面表現出色：

• 研究論文：捕獲方程式、圖表和表格。
• 技術文檔：編碼代碼塊、流程圖和截圖。
• 產品目錄：表示圖像、規格和價格表。
• 財務報告：嵌入圖表、圖形和數值數據。
• 視覺豐富的內容：佈局和視覺信息至關重要的場景。
• 多語言文檔：視覺上下文提供重要線索的場景。

訓練細節

Nomic Embed Multimodal 7B 通過以下幾個關鍵創新點進行開發：

1. 同來源採樣：強制從同一數據集來源採樣，創建更具挑戰性的批次內負樣本，防止模型學習數據集的偽特徵。
2. 難負樣本挖掘：使用初始模型為每個查詢檢索前 k 個最近鄰，然後將這些難負樣本納入訓練。
3. 正樣本感知難負樣本挖掘：使用 NV - Retriever 中引入的技術減少假陰性。

🔧 技術細節

模型基礎信息

📄 許可證

本項目採用 Apache 2.0 許可證。

⚠️ 侷限性

• 處理具有非常規佈局或不尋常視覺元素的文檔時，性能可能會有所不同。
• 雖然支持多種語言，但在英語內容上的性能最強。
• 處理非常大或複雜的文檔時，可能需要將其分割成較小的塊。
• 處理包含手寫體或高度風格化字體的文檔時，性能可能會降低。

👥 加入 Nomic 社區

• Nomic Embed 生態系統：https://www.nomic.ai/embed
• 官方網站：https://nomic.ai
• Twitter：https://twitter.com/nomic_ai
• Discord：https://discord.gg/myY5YDR8z8

📚 引用

如果您在研究或應用中發現此模型有用，請考慮引用以下文獻：

@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}, 
}
@misc{ma2024unifyingmultimodalretrievaldocument,
      title={Unifying Multimodal Retrieval via Document Screenshot Embedding}, 
      author={Xueguang Ma and Sheng-Chieh Lin and Minghan Li and Wenhu Chen and Jimmy Lin},
      year={2024},
      eprint={2406.11251},
      archivePrefix={arXiv},
      primaryClass={cs.IR},
      url={https://arxiv.org/abs/2406.11251}, 
}
@misc{nomicembedmultimodal2025,
  title={Nomic Embed Multimodal: Interleaved Text, Image, and Screenshots for Visual Document Retrieval},
  author={Nomic Team},
  year={2025},
  publisher={Nomic AI},
  url={https://nomic.ai/blog/posts/nomic-embed-multimodal},
}