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

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。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多