/ Модель

Характеристики

Размер весов
5,8 ГБ
Лицензия
Gemma
Архитектура
paligemma · dense
Базовая модель
paligemma-3b-pt-448
Библиотека
colpali
Опубликована
23 авг 2024

colpaligemma-3b-pt-448-base

Языковая модель

ColPali — базовая версия модели для подготовки LoRA, создающая многовекторные представления страниц документов и текстовых запросов для визуального поиска.

0скачиваний за 30 дней6лайковвеса обновлены18 окт 2024

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

ColPali — модель визуального поиска по документам, разработанная на основе PaliGemma-3B и стратегии ColBERT. Она формирует многовекторные представления текста и изображений страниц, чтобы находить релевантные страницы по текстовому запросу. Обучение проводилось на англоязычных парах «запрос — страница»; в основе архитектуры — визуальные признаки SigLIP, передаваемые в PaliGemma-3B.

Эта версия предназначена только для детерминированной инициализации LoRA и, согласно карточке, не должна использоваться как готовая модель поиска. Для практического поиска по документам следует выбрать обученный вариант ColPali. Модель распространяется в формате safetensors по лицензии Gemma.

Сценарии применения

  • подготовка детерминированной инициализации LoRA для ColPali
  • создание многовекторных представлений страниц документов
  • создание представлений текстовых запросов для поиска по страницам
  • эксперименты с визуальным поиском по PDF-документам

Ограничения

Карточка предупреждает, что эта версия является только базовой точкой для детерминированной инициализации LoRA и не предназначена для использования как готовая модель. Обучающие данные были англоязычными, поэтому перенос на другие языки не гарантирован.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ColPali: Visual Retriever based on PaliGemma-3B with ColBERT strategy

ColPali 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 PaliGemma-3B 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

Usage

[!WARNING] This version should not be used: it is solely the base version useful for deterministic LoRA initialization.

Model Description

This model is built iteratively starting from an off-the-shelf SigLIP model. We finetuned it to create BiSigLIP and fed the patch-embeddings output by SigLIP to an LLM, PaliGemma-3B to create BiPali.

One benefit of inputting image patch embeddings through a language model is that they are natively mapped to a latent space similar to textual input (query). This enables leveraging the ColBERT strategy to compute interactions between text tokens and image patches, which enables a step-change improvement in performance compared to BiPali.

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 (Gemma-2B) and potentially occurs during PaliGemma-3B's multimodal training.

Parameters

All models are trained for 1 epoch on the train set. 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 an 8 GPU setup with data parallelism, a learning rate of 5e-5 with linear decay with 2.5% warmup steps, and a batch size of 32.

Usage

This version should not be used, it is solely the base version useful for deterministic LoRA initialization !

License

ColPali's vision language backbone model (PaliGemma) is under gemma license as specified in its model card. 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
ColPali
Ревизия весов
30ab955

0 моделей