Colqwen2 7b V1.0

🚀 T-Systems ColQwen2-7B：基於Qwen2-VL-7B-Instruct和ColBERT策略的視覺檢索器

ColQwen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Qwen2-VL-2B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。

此版本是基礎版本，使用批量大小8x64進行了5個週期的訓練，並更新了填充標記。

✨ 主要特性

• 基於新穎的模型架構和訓練策略，能根據視覺特徵高效索引文檔。
• 作為Qwen2-VL-2B的擴展，可生成ColBERT風格的多向量表示。
• 輸入支持動態圖像分辨率，不改變圖像寬高比，最大分辨率可創建最多768個圖像塊。

📦 安裝指南

確保colpali-engine從源代碼安裝或版本高於0.3.4，transformers版本需大於4.46.1。

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 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)

🔧 技術細節

版本特性

該模型輸入支持動態圖像分辨率，不會像ColPali那樣改變圖像寬高比。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==0.3.4進行訓練，數據與論文中描述的ColPali數據相同，此外還使用了ShareGPT4V (https://sharegpt4v.github.io/) 數據集進行微調。

模型訓練參數

使用低秩適配器（LoRA）對語言模型的Transformer層以及最終隨機初始化的投影層進行訓練，參數設置為alpha=64和r=64，並使用paged_adamw_8bit優化器。在8xH100 GPU上通過分佈式數據並行（accelerate）進行訓練，學習率為2e-4，採用線性衰減，熱身步驟為1%，每個設備的批量大小為64，數據格式為bfloat16。

📚 詳細文檔

侷限性

• 適用範圍：該模型主要聚焦於PDF類型文檔和資源豐富的語言，可能限制其在其他文檔類型或資源較少語言上的泛化能力。
• 適配性：該模型依賴於從ColBERT後期交互機制派生的多向量檢索，可能需要一定的工程工作才能適配缺乏原生多向量支持的常用向量檢索框架。

📄 許可證

ColQwen2的視覺語言骨幹模型（Qwen2-VL）遵循apache2.0許可證，此微調適配器遵循CC BY NC 4.0許可證，因此目前該模型僅可用於研究目的。

引用

如果您在研究中使用了該組織的模型，請按以下格式引用原始論文：

@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}, 
}

信息表格