Colqwen2.5 V0.1

🚀 ColQwen2.5: Qwen2.5-VL-3B-InstructベースのColBERT戦略によるビジュアルリトリーバ

ColQwenは、ビジュアル言語モデル（VLM）に基づく新しいモデルアーキテクチャとトレーニング戦略を用いて、画像特徴から効率的に文書をインデックス化するモデルです。 これは、Qwen2.5-VL-3Bの拡張であり、ColBERTスタイルのテキストと画像のマルチベクトル表現を生成します。 このモデルは論文ColPali: Efficient Document Retrieval with Vision Language Modelsで紹介され、このリポジトリで最初に公開されました。

🚀 クイックスタート

このモデルを使用する前に、必要なライブラリをインストールしてください。

✨ 主な機能

• ビジュアル言語モデル（VLM）に基づく新しいアーキテクチャとトレーニング戦略を用いて、画像特徴から文書を効率的にインデックス化します。
• Qwen2.5-VL-3Bの拡張で、ColBERTスタイルのマルチベクトル表現を生成します。

📦 インストール

colpali-engineをソースから、またはバージョン0.3.1以上でインストールしてください。transformersのバージョンは4.45.0より大きい必要があります。

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

💻 使用例

基本的な使用法

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

from colpali_engine.models import ColQwen2_5, ColQwen2_5_Processor

model = ColQwen2_5.from_pretrained(
        "vidore/colqwen2.5-v0.1",
        torch_dtype=torch.bfloat16,
        device_map="cuda:0",  # or "mps" if on Apple Silicon
        attn_implementation="flash_attention_2" if is_flash_attn_2_available() else None,
    ).eval()
processor = ColQwen2_5_Processor.from_pretrained("vidore/colqwen2.5-v0.1")

# Your inputs
images = [
    Image.new("RGB", (32, 32), color="white"),
    Image.new("RGB", (16, 16), color="black"),
]
queries = [
    "Is attention really all you need?",
    "What is the amount of bananas farmed in Salvador?",
]

# 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)

📚 ドキュメント

バージョンの特異性

このモデルは、入力として動的な画像解像度を受け取り、ColPaliのようにアスペクト比を変更することなくリサイズしません。最大解像度は、最大768個の画像パッチが作成されるように設定されています。実験では、画像パッチの数を増やすと、メモリ要件を犠牲にして明らかな改善が見られます。

このバージョンはcolpali-engine==0.3.7でトレーニングされています。 データは、論文で説明されているColPaliデータと同じです。

モデルのトレーニング

データセット

127,460のクエリ - ページペアからなるトレーニングデータセットは、公開されている学術データセットのトレーニングセット（63％）と、ウェブクロールしたPDF文書のページから構成され、VLM（Claude - 3 Sonnet）で生成された疑似質問で拡張された合成データセット（37％）で構成されています。 トレーニングセットはデザイン上完全に英語であり、非英語言語へのゼロショット汎化を研究できるようになっています。評価の汚染を防ぐために、ViDoReとトレーニングセットの両方でマルチページPDF文書が使用されていないことを明示的に確認しています。 ハイパーパラメータを調整するために、サンプルの2％を使用して検証セットを作成しています。

注: 多言語データは、言語モデルの事前学習コーパスに存在し、おそらくマルチモーダルトレーニングにも存在します。

パラメータ

すべてのモデルは、トレーニングセットで1エポックトレーニングされます。特に指定がない限り、モデルはbfloat16形式でトレーニングされ、低ランクアダプター（LoRA）を使用し、言語モデルのトランスフォーマーレイヤーと最後のランダムに初期化された投影レイヤーでalpha = 32およびr = 32を使用し、paged_adamw_8bitオプティマイザーを使用します。 データ並列で8GPUの設定でトレーニングされ、学習率は5e - 5で線形減衰し、2.5％のウォームアップステップがあり、バッチサイズは32です。

🔧 技術詳細

モデルの制限事項

• 焦点: このモデルは主にPDFタイプの文書と高リソース言語に焦点を当てているため、他の文書タイプやあまり表現されていない言語への汎化が制限される可能性があります。
• サポート: このモデルは、ColBERTの後期相互作用メカニズムに由来するマルチベクトル検索に依存しているため、ネイティブのマルチベクトルサポートがない一般的なベクトル検索フレームワークに適応させるにはエンジニアリングの努力が必要になる場合があります。

ライセンス

ColQwen2.5のビジュアル言語バックボーンモデル（Qwen2.5-VL）はQwen RESEARCH LICENSE AGREEMENTライセンスの下にあります。モデルに付属するアダプターはMITライセンスの下にあります。

連絡先

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

引用

この組織のデータセットやモデルを研究で使用する場合は、元のデータセットを次のように引用してください。

@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}, 
}

📄 ライセンス

ColQwen2.5のビジュアル言語バックボーンモデル（Qwen2.5-VL）はQwen RESEARCH LICENSE AGREEMENTライセンスの下にあります。モデルに付属するアダプターはMITライセンスの下にあります。

情報テーブル

| 属性 | 详情 |
|------|------|
| モデルタイプ | ビジュアルドキュメントリトリーバル |
| トレーニングデータ | 公開学術データセット（63％）と合成データセット（37％） |