Colsmolvlm V0.1

🚀 ColSmolVLM-v0.1：基于SmolVLM-Instruct和ColBERT策略的视觉检索器

ColSmolVLM是一种基于视觉语言模型（VLMs）的新型模型架构和训练策略，可从文档的视觉特征中高效索引文档。它是SmolVLM的扩展，能够生成ColBERT风格的文本和图像多向量表示。该模型在论文ColPali: Efficient Document Retrieval with Vision Language Models中被提出，并首次在此仓库中发布。此版本是未经过训练的基础版本，以确保投影层初始化的确定性。

模型信息

版本说明

此版本是使用batch_size为128，训练3个epoch得到的。它使用colpali-engine==0.3.5（仓库主分支）进行训练，数据与论文中描述的ColPali数据相同。

🚀 快速开始

模型训练

数据集

我们的训练数据集包含127,460个查询 - 页面对，由公开可用的学术数据集的训练集（63%）和一个合成数据集组成。合成数据集由网络爬取的PDF文档页面构成，并使用VLM生成（Claude - 3 Sonnet）的伪问题进行增强（37%）。我们的训练集设计为全英文，以便研究对非英语语言的零样本泛化能力。我们明确验证了没有多页PDF文档同时用于ViDoRe和训练集，以防止评估污染。我们使用2%的样本创建了一个验证集来调整超参数。

注意：多语言数据存在于语言模型的预训练语料库中，并且很可能存在于多模态训练中。

参数

除非另有说明，我们以bfloat16格式训练模型，在语言模型的Transformer层以及最终随机初始化的投影层上使用低秩适配器（LoRA），其中alpha = 32，r = 32，并使用paged_adamw_8bit优化器。我们在4个GPU上进行数据并行训练，学习率为5e - 4，采用线性衰减，热身步骤为2.5%，批量大小为32。

安装指南

确保从源代码安装colpali-engine或使用版本高于0.3.5（当前仓库主分支）的版本，transformers版本必须 > 4.46.2。

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

💻 使用示例

基础用法

import torch
from PIL import Image

from colpali_engine.models import ColIdefics3, ColIdefics3Processor

model = ColIdefics3.from_pretrained(
        "vidore/colsmolvlm-v0.1",
        torch_dtype=torch.bfloat16,
        device_map="cuda:0",
        attn_implementation="flash_attention_2" # or eager
    ).eval()
processor = ColIdefics3Processor.from_pretrained("vidore/colsmolvlm-v0.1")

# 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)

局限性

⚠️ 重要提示

• 专注领域：该模型主要专注于PDF类型的文档和资源丰富的语言，可能限制其对其他文档类型或代表性不足的语言的泛化能力。
• 支持情况：该模型依赖于从ColBERT后期交互机制派生的多向量检索，可能需要工程努力才能适应缺乏原生多向量支持的广泛使用的向量检索框架。

许可证

ColQwen2的视觉语言主干模型（Qwen2 - VL）遵循apache2.0许可证。附加到模型的适配器遵循MIT许可证。

联系信息

• 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该组织的任何数据集或模型，请按以下方式引用原始数据集：

@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}, 
}