Colqwen2.5 7b Multilingual V1.0

🚀 ColQwen2.5-7b-multilingual-v1.0：基于Qwen2.5-VL-7B-Instruct和ColBERT策略的多语言视觉检索器

ColQwen2.5-7b-multilingual-v1.0是一个基于视觉语言模型（VLMs）的新型模型架构和训练策略的模型，能够从文档的视觉特征中高效地进行索引。它是Qwen2.5-VL-3B的扩展版本，可生成ColBERT风格的文本和图像多向量表示。

📊 模型排名

截至2025年2月11日，该模型在Vidore基准测试中排名第一。报告的分数可在Vidore排行榜上查看。

🛠️ 训练信息

此为基础版本，在4xA100 80GB的环境下进行训练，每个设备的批次大小为64，梯度累积步数为2，训练轮数为5。

🚀 快速开始

版本特性

该模型支持动态图像分辨率输入，不会像ColPali那样调整图像大小或改变其纵横比。最大分辨率设置为最多创建768个图像块。实验表明，增加图像块数量可显著提升性能，但会增加内存需求。此版本使用colpali-engine==0.3.7进行训练。

📦 数据集

• 合成数据：从openbmb/VisRAG-Ret-Train-Synthetic-data数据集中选择并预处理。
• 领域内VQA数据集：来自openbmb/VisRAG-Ret-Train-In-domain-data。
• Docmatix数据集：从Metric-AI/rag_docmatix_100k数据集中提取。
• Colpali数据集：来自vidore/colpali_train_set。
• 多语言数据集：来自llamaindex/vdr-multilingual-train。

📈 模型训练

参数设置

使用低秩适配器（LoRA）对语言模型的Transformer层和最终随机初始化的投影层进行训练，其中alpha=128，r=128，并使用paged_adamw_8bit优化器。在4xA100 GPU上进行分布式数据并行训练，学习率为2e-4，采用线性衰减，热身步数为1%，每个设备的批次大小为128，梯度累积步数为2，使用bfloat16格式。

📦 安装指南

确保colpali-engine从源代码安装或版本高于0.3.1，transformers版本需大于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的代码已集成到最新的Hugging Face Transformers中，建议使用以下命令从源代码构建：

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

否则可能会遇到以下错误：

KeyError: 'qwen2_5_vl'

💻 使用示例

基础用法

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)

⚠️ 局限性

• 专注领域：该模型主要针对PDF类型文档和资源丰富的语言，可能在其他文档类型或资源较少的语言上泛化能力有限。
• 支持情况：模型依赖于基于ColBERT后期交互机制的多向量检索，可能需要额外的工程工作才能适应缺乏原生多向量支持的常用向量检索框架。

📄 许可证

ColQwen2.5的视觉语言主干模型（Qwen2.5-VL）遵循apache2.0许可证，模型的适配器遵循MIT许可证。

📚 引用说明

如果在研究中使用了该组织的模型，请引用以下原始论文：

@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}, 
}

👨‍💻 开发者信息

• 开发者：Metric AI Research Lab