Colqwen2 2b V1.0

🚀 ColQwen2-2B：基於Qwen2-VL-2B-Instruct與ColBERT策略的視覺檢索器

ColQwen是基於視覺語言模型（VLMs）的一種新型模型架構和訓練策略，可根據文檔的視覺特徵對其進行高效索引。本模型是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。它在論文ColPali: Efficient Document Retrieval with Vision Language Models中被提出，並首次在此倉庫中發佈。

本版本是未經訓練的基礎版本，以確保投影層初始化的確定性。

✨ 主要特性

• 動態圖像分辨率：該模型接受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生成1024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。
• 特定版本訓練：本版本使用colpali-engine==0.3.4進行訓練，數據與論文中描述的ColPali數據相同。

📦 安裝指南

確保安裝colpali-engine，可從源碼安裝或安裝版本高於0.3.4的版本。同時，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/colqwen2-2b-v1.0",
        torch_dtype=torch.bfloat16,
        device_map="cuda:0",  # or "mps" if on Apple Silicon
    ).eval()
processor = ColQwen2Processor.from_pretrained("tsystems/colqwen2-2b-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

模型訓練參數

使用低秩適配器（LoRA）對模型進行訓練，在語言模型的Transformer層以及最終隨機初始化的投影層上設置alpha=128和r=128。使用paged_adamw_8bit優化器，在8xH100 GPU設置上進行分佈式數據並行訓練（通過accelerate）。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128，數據格式為bfloat16。

📄 許可證

ColQwen2的視覺語言主幹模型（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，因此目前該模型僅用於研究目的。

📚 詳細文檔

侷限性

• 適用範圍：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。
• 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。

引用

如果您在研究中使用了本組織的模型，請按以下方式引用原論文：

@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}, 
}

模型信息