🚀 ColSmolVLM-v0.1: SmolVLM-InstructとColBERT戦略に基づくビジュアルリトリーバ
このモデルは、バッチサイズ128で3エポック学習させたバージョンです。ColSmolVLM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学習戦略を用いて、ドキュメントのビジュアル特徴から効率的にインデックスを作成するモデルです。これはSmolVLM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。
このバージョンは、決定論的な射影層の初期化を保証するための未学習のベースバージョンです。

✨ 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学習戦略を用いて、ドキュメントのビジュアル特徴から効率的にインデックスを作成します。
- SmolVLMの拡張で、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。
📦 インストール
colpali-engine
をソースからインストールするか、バージョン0.3.5以上(現在のリポジトリのメインブランチ)でインストールしてください。transformers
バージョンは4.46.2より大きくする必要があります。
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 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"
).eval()
processor = ColIdefics3Processor.from_pretrained("vidore/colsmolvlm-v0.1")
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?",
]
batch_images = processor.process_images(images).to(model.device)
batch_queries = processor.process_queries(queries).to(model.device)
with torch.no_grad():
image_embeddings = model(**batch_images)
query_embeddings = model(**batch_queries)
scores = processor.score_multi_vector(query_embeddings, image_embeddings)
📚 詳細ドキュメント
バージョンの特異性
このバージョンは colpali-engine==0.3.5
(リポジトリのメインブランチ)で学習されています。データは論文で説明されているColPaliデータと同じです。
モデルの学習
データセット
127,460のクエリ-ページペアからなる学習データセットは、公開されている学術データセットのトレインセット(63%)と、ウェブクロールしたPDFドキュメントのページから構成され、VLM生成(Claude-3 Sonnet)の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。学習セットは設計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することができます。評価の汚染を防ぐために、ViDoRe と学習セットの両方でマルチページPDFドキュメントが使用されていないことを明示的に検証しています。ハイパーパラメータを調整するために、サンプルの2%で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、ほとんどの場合マルチモーダル学習にも存在します。
パラメータ
特に指定がない限り、モデルを bfloat16
形式で学習し、低ランクアダプター(LoRA)を使用します。alpha=32
および r=32
を言語モデルのトランスフォーマー層と、最後のランダムに初期化された射影層に適用し、paged_adamw_8bit
オプティマイザーを使用します。4つのGPUでデータ並列で学習し、学習率は5e-4で線形減衰し、2.5%のウォームアップステップを使用し、バッチサイズは32です。
🔧 技術詳細
- このモデルは主にPDFタイプのドキュメントと高リソース言語に焦点を当てているため、他のドキュメントタイプや表現が少ない言語への汎化が制限される可能性があります。
- 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おり、ネイティブのマルチベクトルサポートがない広く使用されているベクトル検索フレームワークに適応するため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のビジュアル言語バックボーンモデル(Qwen2-VL)は apache2.0
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。
📞 お問い合わせ
- 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},
}