colpali

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

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

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多