Colqwen2 7b V1.0

🚀 T-Systems ColQwen2-7B: Qwen2-VL-7B-InstructベースのColBERT戦略による視覚検索モデル

このモデルは、バッチサイズ8x64で5エポック訓練され、更新されたパッドトークンを使用したベースバージョンです。ColQwenは、ビジョン言語モデル（VLM）に基づく新しいモデルアーキテクチャと訓練戦略を用いて、視覚的特徴から文書を効率的にインデックス化するモデルです。 これはQwen2-VL-2Bの拡張モデルで、ColBERTスタイルのテキストと画像の多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。

このバージョンは訓練されていないベースバージョンで、投影層の初期化を決定論的に保証します。

✨ 主な機能

バージョンの特異性

このモデルは動的な画像解像度を入力として受け取り、ColPaliのようにアスペクト比を変えずにリサイズしません。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ことで明らかな改善が見られますが、メモリ要件が増加するというトレードオフがあります。

このバージョンはcolpali-engine==0.3.4で訓練されています。 データは論文で説明されているColPaliデータと同じです。さらに、ShareGPT4V (https://sharegpt4v.github.io/) データセットを使用して微調整が行われています。

モデルの訓練

パラメータ

モデルの訓練には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層と最後のランダムに初期化された投影層に対してalpha=64 と r=64 を設定し、paged_adamw_8bit オプティマイザーを使用します。 8xH100 GPUセットアップで分散データ並列（accelerate経由）を使用し、学習率2e-4で線形減衰、1%のウォームアップステップを使用し、デバイスごとのバッチサイズは64、bfloat16 形式で訓練を行います。

📦 インストール

colpali-engine がソースからインストールされているか、バージョン0.3.4以上であることを確認してください。 transformers バージョンは > 4.46.1 である必要があります。

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 ColQwen2, ColQwen2Processor

model = ColQwen2.from_pretrained(
        "tsystems/colqwen2-7b-v1.0",
        torch_dtype=torch.bfloat16,
        device_map="cuda:0",  # or "mps" if on Apple Silicon
    ).eval()
processor = ColQwen2Processor.from_pretrained("tsystems/colqwen2-7b-v1.0")

# 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)

🔧 技術詳細

制限事項

• 焦点：このモデルは主にPDF形式の文書と高リソース言語に焦点を当てているため、他の文書タイプや表現が少ない言語への汎化性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基づく多ベクトル検索に依存しているため、ネイティブの多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のビジョン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。 この微調整されたアダプターは CC BY NC 4.0ライセンス の下にあります。したがって、現時点ではこのモデルの使用は 研究用途のみ です。

引用

もしあなたがこの組織のモデルを研究で使用する場合は、以下のように元の論文を引用してください。

@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}, 
}