/ Модель

Характеристики

Контекст
8 192 токена
Лицензия
MIT
Архитектура
idefics3 · dense
Базовая модель
SmolVLM-500M-Base
Библиотека
colpali
Опубликована
23 янв 2025

ColSmolVLM-500M-Base-22750

Языковая модель

Экспериментальная мультимодальная модель ViDoRe на базе SmolVLM для построения многовекторных представлений страниц документов и запросов при поиске по PDF.

0скачиваний за 30 дней0лайковвеса обновлены23 янв 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ColSmolVLM-500M-Base-22750 — экспериментальный чекпойнт ViDoRe на базе SmolVLM-500M-Base от HuggingFaceTB. Это мультимодальная модель семейства Idefics3, дообученная для формирования многовекторных представлений изображений страниц документов и текстовых запросов с использованием подхода ColBERT. Она предназначена для индексации и поиска по визуальному содержимому документов, прежде всего PDF, инициализации весов линейной проекционной головы, а не для самостоятельного прикладного использования.

Обучение проводилось на англоязычном наборе из 127 460 пар «запрос — страница»; модель изучалась также с точки зрения переноса на другие языки. README указывает на применение LoRA и формат bfloat16 при обучении, метаданные — на safetensors и лицензию MIT. Поиск использует многовекторные представления и позднее взаимодействие ColBERT, поэтому для интеграции может потребоваться система, поддерживающая такой тип поиска. Модель ориентирована на PDF и языки с большим объёмом ресурсов, а авторы прямо указывают, что этот базовый чекпойнт предназначен только для инициализации весов головы.

Сценарии применения

  • инициализация проекционной головы модели поиска по страницам PDF
  • построение многовекторных представлений страниц документов для индексации
  • эксперименты с поиском по визуальному содержимому документов
  • исследование переноса поиска по документам на языки, отличные от английского

Ограничения

Авторы указывают, что чекпойнт предназначен только для инициализации весов линейной головы и не должен использоваться как готовая модель. Он ориентирован преимущественно на PDF и языки с большим объёмом ресурсов; интеграция многовекторного поиска может требовать специальной поддержки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ColSmolVLM-500M: Visual Retriever based on SmolVLM-500M with ColBERT strategy

This is a version trained with batch_size 32 for 3 epochs

ColSmolVLM is a model based on a novel model architecture and training strategy based on Vision Language Models (VLMs) to efficiently index documents from their visual features. It is a SmolVLM extension that generates ColBERT- style multi-vector representations of text and images. It was introduced in the paper ColPali: Efficient Document Retrieval with Vision Language Models and first released in this repository

Version specificity

This version is trained with the commit b983e40 of the Colpali repository. (main branch from the repo)

Data is the same as the ColPali data described in the paper.

Model Training

Dataset

Our training dataset of 127,460 query-page pairs is comprised of train sets of openly available academic datasets (63%) and a synthetic dataset made up of pages from web-crawled PDF documents and augmented with VLM-generated (Claude-3 Sonnet) pseudo-questions (37%). Our training set is fully English by design, enabling us to study zero-shot generalization to non-English languages. We explicitly verify no multi-page PDF document is used both ViDoRe and in the train set to prevent evaluation contamination. A validation set is created with 2% of the samples to tune hyperparameters.

Note: Multilingual data is present in the pretraining corpus of the language model and most probably in the multimodal training.

Parameters

Unless specified otherwise, we train models in bfloat16 format, use low-rank adapters (LoRA) with alpha=32 and r=32 on the transformer layers from the language model, as well as the final randomly initialized projection layer, and use a paged_adamw_8bit optimizer. We train on a 4 GPU setup with data parallelism, a learning rate of 5e-4 with linear decay with 2.5% warmup steps, and a batch size of 8.

Usage

This should not be used as it is the base model, used only for initiliasation of the linear head weights of the model.

Limitations

  • Focus: The model primarily focuses on PDF-type documents and high-ressources languages, potentially limiting its generalization to other document types or less represented languages.
  • Support: The model relies on multi-vector retreiving derived from the ColBERT late interaction mechanism, which may require engineering efforts to adapt to widely used vector retrieval frameworks that lack native multi-vector support.

License

ColQwen2's vision language backbone model (Qwen2-VL) is under apache2.0 license. The adapters attached to the model are under MIT license.

Contact

Citation

If you use any datasets or models from this organization in your research, please cite the original dataset as follows:

@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}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · colpali

Нельзя запустить

У модели не указана задача.

Класс архитектуры
ColIdefics3
Ревизия весов
6ca0747

0 моделей