Colsmol 500M

🚀 ColSmolVLM-Instruct-500M：基於SmolVLM-Instruct-500M和ColBERT策略的視覺檢索器

ColSmolVLM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，可根據文檔的視覺特徵對其進行高效索引。它是SmolVLM的擴展版本，能夠生成ColBERT風格的文本和圖像多向量表示。該模型在論文ColPali: Efficient Document Retrieval with Vision Language Models中被提出，並首次在此倉庫中發佈。

🚀 快速開始

本版本是基於Colpali倉庫的提交版本b983e40（倉庫主分支）進行訓練的，使用的數據與論文中描述的ColPali數據相同。

✨ 主要特性

• 基於視覺語言模型（VLMs）的新型架構和訓練策略，可高效索引文檔的視覺特徵。
• 作為SmolVLM的擴展，能生成ColBERT風格的文本和圖像多向量表示。

📦 安裝指南

確保從源代碼安裝colpali-engine，或使用版本高於0.3.5的版本（當前倉庫主分支），同時transformers版本必須大於4.46.2。

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

💻 使用示例

基礎用法

import torch
from PIL import Image

from colpali_engine.models import ColIdefics3, ColIdefics3Processor

model = ColIdefics3.from_pretrained(
        "vidore/colSmol-500M",
        torch_dtype=torch.bfloat16,
        device_map="cuda:0",
        attn_implementation="flash_attention_2" # or eager
    ).eval()
processor = ColIdefics3Processor.from_pretrained("vidore/colSmol-500M")

# 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)

🔧 技術細節

模型訓練

數據集

我們的訓練數據集包含127,460個查詢 - 頁面配對，其中63%來自公開可用的學術數據集的訓練集，37%是由網絡爬取的PDF文檔頁面組成的合成數據集，並通過VLM生成（Claude - 3 Sonnet）的偽問題進行增強。訓練集設計為全英文，以便研究對非英語語言的零樣本泛化能力。我們明確驗證了沒有多頁PDF文檔同時用於ViDoRe和訓練集，以防止評估汙染。使用2%的樣本創建驗證集來調整超參數。

注意：多語言數據存在於語言模型的預訓練語料庫中，並且很可能存在於多模態訓練中。

參數

除非另有說明，我們以bfloat16格式訓練模型，在語言模型的Transformer層以及最終隨機初始化的投影層上使用低秩適配器（LoRA），其中alpha = 32和r = 32，並使用paged_adamw_8bit優化器。我們在4個GPU上進行數據並行訓練，學習率為5e - 4，採用線性衰減，熱身步驟為2.5%，批量大小為8。

📚 詳細文檔

版本特性

本版本是使用Colpali倉庫的提交版本b983e40（倉庫主分支）進行訓練的，使用的數據與論文中描述的ColPali數據相同。

侷限性

• 聚焦範圍：該模型主要聚焦於PDF類型的文檔和資源豐富的語言，可能限制其對其他文檔類型或代表性不足的語言的泛化能力。
• 支持情況：該模型依賴於從ColBERT後期交互機制派生的多向量檢索，可能需要工程努力才能適應缺乏原生多向量支持的廣泛使用的向量檢索框架。

📄 許可證

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

📞 聯繫信息

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

📖 引用

如果您在研究中使用了該組織的任何數據集或模型，請按以下方式引用原始數據集：

@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}, 
}