Colqwen2.5 7b Multilingual V1.0

🚀 ColQwen2.5-7b-multilingual-v1.0：基於Qwen2.5-VL-7B-Instruct和ColBERT策略的多語言視覺檢索器

ColQwen2.5-7b-multilingual-v1.0是一個基於視覺語言模型（VLMs）的新型模型架構和訓練策略的模型，能夠從文檔的視覺特徵中高效地進行索引。它是Qwen2.5-VL-3B的擴展版本，可生成ColBERT風格的文本和圖像多向量表示。

📊 模型排名

截至2025年2月11日，該模型在Vidore基準測試中排名第一。報告的分數可在Vidore排行榜上查看。

🛠️ 訓練信息

此為基礎版本，在4xA100 80GB的環境下進行訓練，每個設備的批次大小為64，梯度累積步數為2，訓練輪數為5。

🚀 快速開始

版本特性

該模型支持動態圖像分辨率輸入，不會像ColPali那樣調整圖像大小或改變其縱橫比。最大分辨率設置為最多創建768個圖像塊。實驗表明，增加圖像塊數量可顯著提升性能，但會增加內存需求。此版本使用colpali-engine==0.3.7進行訓練。

📦 數據集

• 合成數據：從openbmb/VisRAG-Ret-Train-Synthetic-data數據集中選擇並預處理。
• 領域內VQA數據集：來自openbmb/VisRAG-Ret-Train-In-domain-data。
• Docmatix數據集：從Metric-AI/rag_docmatix_100k數據集中提取。
• Colpali數據集：來自vidore/colpali_train_set。
• 多語言數據集：來自llamaindex/vdr-multilingual-train。

📈 模型訓練

參數設置

使用低秩適配器（LoRA）對語言模型的Transformer層和最終隨機初始化的投影層進行訓練，其中alpha=128，r=128，並使用paged_adamw_8bit優化器。在4xA100 GPU上進行分佈式數據並行訓練，學習率為2e-4，採用線性衰減，熱身步數為1%，每個設備的批次大小為128，梯度累積步數為2，使用bfloat16格式。

📦 安裝指南

確保colpali-engine從源代碼安裝或版本高於0.3.1，transformers版本需大於4.45.0。

ColPali

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

或

pip install git+https://github.com/illuin-tech/colpali@colqwen2_5

Qwen2.5

Qwen2.5-VL的代碼已集成到最新的Hugging Face Transformers中，建議使用以下命令從源代碼構建：

pip install git+https://github.com/huggingface/transformers accelerate

否則可能會遇到以下錯誤：

KeyError: 'qwen2_5_vl'

💻 使用示例

基礎用法

import torch
from PIL import Image

from colpali_engine.models import ColQwen2_5, ColQwen2_5_Processor

model = ColQwen2_5.from_pretrained(
        "Metric-AI/colqwen2.5-3b-multilingual",
        torch_dtype=torch.bfloat16,
        device_map="cuda:0",  # or "mps" if on Apple Silicon
    ).eval()
processor = ColQwen2_5_Processor.from_pretrained("Metric-AI/colqwen2.5-3b-multilingual")

# 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)

⚠️ 侷限性

• 專注領域：該模型主要針對PDF類型文檔和資源豐富的語言，可能在其他文檔類型或資源較少的語言上泛化能力有限。
• 支持情況：模型依賴於基於ColBERT後期交互機制的多向量檢索，可能需要額外的工程工作才能適應缺乏原生多向量支持的常用向量檢索框架。

📄 許可證

ColQwen2.5的視覺語言主幹模型（Qwen2.5-VL）遵循apache2.0許可證，模型的適配器遵循MIT許可證。

📚 引用說明

如果在研究中使用了該組織的模型，請引用以下原始論文：

@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}, 
}

👨‍💻 開發者信息

• 開發者：Metric AI Research Lab