ColPali是一个新型的视觉检索模型，旨在通过视觉语言模型（VLM）实现高效的文档检索。该模型的核心在于利用ColBERT架构和PaliGemma模型，结合视觉信息和文本信息，以提高检索的准确性和效率。
演示demo：https://huggingface.co/spaces/manu/ColPali-demo
ColPali模型的特点
基于视觉语言模型：
ColPali利用PaliGemma模型，这是一种能够同时处理图像和文本的多模态模型。它通过将文档的视觉特征与文本特征结合，增强了检索能力。
ColBERT架构：
ColPali采用了ColBERT的架构，利用其独特的后期交互机制来提高检索的效率和准确性。该机制允许模型在查询和文档之间进行细粒度的相似性匹配，从而优化检索过程。
高效的文档嵌入：
该模型通过将文档页面编码为多向量嵌入，能够有效地表示文档的视觉和文本信息。这种方法确保了在检索时能够快速匹配相关内容，提高了响应速度和准确性。
通过我们的新模型 ColPali，我们建议利用 VLM 在视觉空间中构建高效的多向量嵌入以进行文档检索。通过将 PaliGemma-3B 的 ViT 输出补丁馈送到线性投影，我们创建了文档的多向量表示。我们遵循 ColBERT 方法训练模型，以最大限度地提高这些文档嵌入和查询嵌入之间的相似性。
ColPali模型适用于多种需要高效文档检索的场景，包括：
PDF文档检索：能够处理复杂的PDF格式文档，提取其中的视觉和文本信息进行检索。
多模态信息检索：在需要同时处理图像和文本的应用中，ColPali能够提供更为准确的检索结果。
我们使用 Python 3.11.6 和 PyTorch 2.2.2 来训练和测试我们的模型，但代码库与 Python >=3.9 和最新的 PyTorch 版本兼容。要安装该软件包，请运行：
pip install colpali-engine快速体验：
import torchfrom PIL import Imagefrom colpali_engine.models import ColPali, ColPaliProcessormodel_name = "vidore/colpali-v1.2"model = ColPali.from_pretrained(model_name,torch_dtype=torch.bfloat16,device_map="cuda:0", # or "mps" if on Apple Silicon).eval()processor = ColPaliProcessor.from_pretrained(model_name)# Your inputsimages = [Image.new("RGB", (32, 32), color="white"),Image.new("RGB", (16, 16), color="black"),]queries = ["Is attention really all you need?","Are Benjamin, Antoine, Merve, and Jo best friends?",]# Process the inputsbatch_images = processor.process_images(images).to(model.device)batch_queries = processor.process_queries(queries).to(model.device)# Forward passwith torch.no_grad():image_embeddings = model(**batch_images)query_embeddings = model(**batch_queries)scores = processor.score_multi_vector(query_embeddings, image_embeddings)
ColPali 仍然使用文本作为查询，文档则是图像类型。在视觉encoder，也是利用多模态的视觉大模型来生成图片端的向量，但不仅仅只生成单个向量。而是利用VIT的patch embedding，来生成多个向量。直觉上确实是会有收益，因为一整页的pdf，只压缩在一个固定维度的向量中，那肯定有信息损失，而且以patch为单位生成embedding。
ColPali模型通过结合视觉语言模型和ColBERT架构，提供了一种高效的文档检索解决方案。其在多模态信息处理方面的优势，使其在实际应用中具有广泛的潜力。该存储库包含了用于训练ColPali模型的代码，便于研究人员和开发者进行进一步的探索和应用。
参考项目：https://github.com/illuin-tech/colpali?tab=readme-ov-file
