colpali

基于PaliGemma-3B的多向量文档检索模型

ColPali是一个基于PaliGemma-3B的文档检索模型，结合了ColBERT策略生成文本和图像的多向量表示。该模型将SigLIP的图像块嵌入输入到语言模型中，实现文本与图像的深度交互，从而提升检索效果。尽管主要在英语数据集上训练，ColPali展现出对其他语言的零样本泛化能力。这一创新设计为多模态文档检索领域带来了新的技术方案。

模型PaliGemma多向量表示开源项目Huggingface文档检索GithubColPali视觉语言模型

GitHub

Hugging Face

论文

文档

ColPali：基于PaliGemma-3B的视觉检索模型

ColPali是一个创新的视觉语言模型(VLM)，旨在高效地从视觉特征中索引文档。它是基于Google的PaliGemma-3B模型进行扩展，生成类似ColBERT的文本和图像的多向量表示。这个模型首次在论文《ColPali: Efficient Document Retrieval with Vision Language Models》中介绍，并在GitHub上发布。

模型架构

ColPali的架构是从SigLIP模型开始逐步构建的。研究人员首先对SigLIP进行微调，创建了BiSigLIP模型。然后，他们将SigLIP输出的图像块嵌入输入到PaliGemma-3B语言模型中，从而创建了BiPali模型。

这种将图像块嵌入输入到语言模型的方法有一个显著优势：它可以将图像特征自然地映射到与文本输入（查询）相似的潜在空间。这使得模型能够利用ColBERT策略来计算文本标记和图像块之间的交互，从而在性能上实现了质的飞跃。

模型训练

数据集

ColPali的训练数据集包含127,460对查询-页面对，由公开的学术数据集（63%）和合成数据集（37%）组成。合成数据集是由网络爬取的PDF文档页面构成，并使用Claude-3 Sonnet生成的伪问题进行增强。训练集设计为全英文，以研究模型对非英语语言的零样本泛化能力。

训练参数

模型在训练集上训练一个epoch。研究人员使用bfloat16格式，并在语言模型的transformer层和最终的随机初始化投影层上应用低秩适配器（LoRA）。他们采用paged_adamw_8bit优化器，在8 GPU设置下进行数据并行训练，学习率为5e-5，并使用线性衰减和2.5%的预热步骤，批量大小为32。

使用方法

ColPali可以通过Python库colpali_engine来使用。用户可以通过pip安装该库，然后使用提供的示例代码来加载模型、处理图像和查询，并进行推理。该模型支持批量处理，可以高效地处理多个图像和查询。

局限性

ColPali主要专注于PDF类型的文档和高资源语言，这可能限制了它对其他文档类型或资源较少的语言的泛化能力。此外，由于模型依赖于基于ColBERT后期交互机制的多向量检索，可能需要额外的工程努力来适应那些缺乏原生多向量支持的广泛使用的向量检索框架。

许可证和引用

ColPali的视觉语言骨干模型（PaliGemma）遵循gemma许可证，而附加到模型上的适配器则采用MIT许可证。研究人员鼓励使用ColPali数据集或模型的用户在其研究中引用相关论文。

总的来说，ColPali代表了视觉语言模型在文档检索领域的一个重要进展，为高效处理和检索大规模文档数据提供了新的可能性。

编辑推荐精选

Manus

全面超越基准的 AI Agent助手

Manus 是一款通用人工智能代理平台，能够将您的创意和想法迅速转化为实际成果。无论是定制旅行规划、深入的数据分析，还是教育支持与商业决策，Manus 都能高效整合信息，提供精准解决方案。它以直观的交互体验和领先的技术，为用户开启了一个智慧驱动、轻松高效的新时代，让每个灵感都能得到完美落地。

飞书知识问答

飞书官方推出的AI知识库上传word pdf即可部署AI私有知识库

基于DeepSeek R1大模型构建的知识管理系统，支持PDF、Word、PPT等常见文档格式解析，实现云端与本地数据的双向同步。系统具备实时网络检索能力，可自动关联外部信息源，通过语义理解技术处理结构化与非结构化数据。免费版本提供基础知识库搭建功能，适用于企业文档管理和个人学习资料整理场景。

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

TraeAI IDE协作生产力转型热门AI工具

酷表ChatExcel

大模型驱动的Excel数据处理工具

基于大模型交互的表格处理系统，允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令，自动执行排序、公式计算和数据透视等操作，支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内，支持超过100万行数据的即时分析。

使用教程AI工具酷表ChatExcelAI智能客服AI营销产品

DeepEP

DeepSeek开源的专家并行通信优化框架

DeepEP是一个专为大规模分布式计算设计的通信库，重点解决专家并行模式中的通信瓶颈问题。其核心架构采用分层拓扑感知技术，能够自动识别节点间物理连接关系，优化数据传输路径。通过实现动态路由选择与负载均衡机制，系统在千卡级计算集群中维持稳定的低延迟特性，同时兼容主流深度学习框架的通信接口。

DeepSeek

全球领先开源大模型，高效智能助手

DeepSeek是一家幻方量化创办的专注于通用人工智能的中国科技公司，主攻大模型研发与应用。DeepSeek-R1是开源的推理模型，擅长处理复杂任务且可免费商用。

KnowS

AI医学搜索引擎整合4000万+实时更新的全球医学文献

医学领域专用搜索引擎整合4000万+实时更新的全球医学文献，通过自主研发AI模型实现精准知识检索。系统每日更新指南、中英文文献及会议资料，搜索准确率较传统工具提升80%，同时将大模型幻觉率控制在8%以下。支持临床建议生成、文献深度解析、学术报告制作等全流程科研辅助，典型用户反馈显示每周可节省医疗工作者70%时间。

Windsurf Wave 3

Windsurf Editor推出第三次重大更新Wave 3

新增模型上下文协议支持与智能编辑功能。本次更新包含五项核心改进：支持接入MCP协议扩展工具生态，Tab键智能跳转提升编码效率，Turbo模式实现自动化终端操作，图片拖拽功能优化多模态交互，以及面向付费用户的个性化图标定制。系统同步集成DeepSeek、Gemini等新模型，并通过信用点数机制实现差异化的资源调配。

AI IDE