基于 ColPali/ColQwen 的 Qdrant 多向量文档检索

| 时间:30分钟 | 难度:中等 | 输出: GitHub |
|---|
高效的 PDF 文档检索是(智能体)检索增强生成 (RAG) 及许多其他基于搜索的应用中的常见需求。与此同时,在不遇到额外挑战的情况下实现 PDF 文档检索绝非易事。
许多传统的 PDF 检索方案依赖光学字符识别 (OCR),并结合特定用例的启发式算法来处理视觉复杂的元素,如表格、图像和图表。这些算法往往不具备通用性(即便是同一领域内),其定制化的解析和分块策略不仅耗费人力,而且容易出错,难以扩展。
视觉大语言模型 (VLLMs) 的最新进展,例如 ColPali 及其继任者 ColQwen,开启了 PDF 检索的变革。这些多模态模型直接将 PDF 页面作为输入,无需预处理。任何可以转换为图像的内容(可以将 PDF 视为文档页面的截图)都可以被这些模型有效处理。VLLMs 使用起来简单得多,并在 视觉文档检索 (ViDoRe) 基准测试 等 PDF 检索基准中达到了最先进的性能。
VLLMs 如何进行 PDF 检索
像 ColPali 和 ColQwen 这样的 VLLM 会为每个 PDF 页面生成多向量表示;这些表示会被存储并索引到向量数据库中。在检索过程中,模型会动态地为(文本)用户查询创建多向量表示,并通过 后期交互机制 (late-interaction mechanism) 实现精确检索(PDF 页面与查询之间的匹配)。
扩展 VLLMs 的挑战
VLLMs 产生的繁重多向量表示使得大规模 PDF 检索在计算上非常密集。如果未经过优化,这些模型在处理大规模 PDF 检索任务时效率极低。
扩展背后的数学原理
ColPali 每个 PDF 页面生成超过 1,000 个向量,而其继任者 ColQwen 生成的略少——最多 768 个向量,并根据图像大小动态调整。通常情况下,ColQwen 每页产生 约 700 个向量。
为了理解其影响,考虑构建一个 HNSW 索引 的过程,这是向量数据库中常见的索引算法。让我们粗略估计一下将新 PDF 页面插入索引所需进行的比较次数。
- 每页向量数: 约 700 (ColQwen) 或 约 1,000 (ColPali)
- ef_construct: 100(默认值)
向量比较次数的下界估计为
$$ 700 \times 700 \times 100 = 49 \ \text{百万次} $$
现在想象一下,为 20,000 个页面构建索引需要多长时间!
对于 ColPali,这个数字还要翻倍。结果就是极长的索引构建时间。
我们的解决方案
我们建议在第一阶段检索时减少 PDF 页面表示中的向量数量。在通过减少向量数量进行第一阶段检索后,我们提议使用原始的未压缩表示对检索到的子集进行重排序 (rerank)。
减少向量可以通过对 VLLM 生成的多向量输出应用平均池化 (mean pooling) 操作来实现。平均池化对选定子组内的所有向量值取平均,将多个向量浓缩为单个代表性向量。如果操作得当,它可以在保留原始页面重要信息的同时,显著减少向量数量。
VLLMs 生成对应于代表 PDF 页面不同部分的补丁(patch)的向量。这些补丁可以按 PDF 页面的列和行进行分组。
例如
- ColPali 将 PDF 页面划分为 1,024 个补丁。
- 通过该补丁矩阵的行(或列)进行平均池化,可以将页面表示减少到仅 32 个向量。

我们使用 ColPali 模型测试了这种方法,通过 PDF 页面行对多向量进行平均池化。结果显示
- 索引时间缩短了一个数量级
- 检索质量与原始模型相当
有关此实验的详细信息,请参阅我们的 GitHub 存储库、ColPali 优化博客文章 或 “PDF 检索规模化”网络研讨会
本教程的目标
在本教程中,我们将演示一种使用 Qdrant 和 ColPali & ColQwen2 VLLMs 进行规模化 PDF 检索的方法。强烈建议采用这种方法,以避免索引时间过长和检索速度缓慢等常见陷阱。
在接下来的章节中,我们将演示一种源自我们成功实验的优化检索算法
第一阶段检索:使用平均池化向量
- 仅使用平均池化向量构建 HNSW 索引。
- 将它们用于第一阶段检索。
第二阶段重排序:使用原始模型的多向量
- 使用来自 ColPali 或 ColQwen2 的原始多向量对第一阶段检索到的结果进行重排序。
设置
安装并导入所需的库
# pip install colpali_engine>=0.3.1
from colpali_engine.models import ColPali, ColPaliProcessor
# pip install qdrant-client>=1.12.0
from qdrant_client import QdrantClient, models
为了运行这些实验,我们使用了 Qdrant 集群。如果您刚开始,可以设置一个免费层级集群进行测试和探索。请遵循文档 “如何创建免费层级 Qdrant 集群” 中的说明。
client = QdrantClient(
url=<YOUR CLUSTER URL>,
api_key=<YOUR API KEY>
)
下载 ColPali 模型及其输入处理器。请确保选择适合您环境的后端。
colpali_model = ColPali.from_pretrained(
"vidore/colpali-v1.3",
torch_dtype=torch.bfloat16,
device_map="mps", # Use "cuda:0" for GPU, "cpu" for CPU, or "mps" for Apple Silicon
).eval()
colpali_processor = ColPaliProcessor.from_pretrained("vidore/colpali-v1.3")
对于 ColQwen 模型
from colpali_engine.models import ColQwen2, ColQwen2Processor
colqwen_model = ColQwen2.from_pretrained(
"vidore/colqwen2-v0.1",
torch_dtype=torch.bfloat16,
device_map="mps", # Use "cuda:0" for GPU, "cpu" for CPU, or "mps" for Apple Silicon
).eval()
colqwen_processor = ColQwen2Processor.from_pretrained("vidore/colqwen2-v0.1")
创建 Qdrant 集合
现在,我们可以在 Qdrant 中创建一个集合,用于存储由 ColPali 或 ColQwen 生成的 PDF 页面多向量表示。
集合将包含 PDF 页面的按行和列平均池化的表示,以及原始的多向量表示。
client.create_collection(
collection_name=collection_name,
vectors_config={
"original":
models.VectorParams( #switch off HNSW
size=128,
distance=models.Distance.COSINE,
multivector_config=models.MultiVectorConfig(
comparator=models.MultiVectorComparator.MAX_SIM
),
hnsw_config=models.HnswConfigDiff(
m=0 #switching off HNSW
)
),
"mean_pooling_columns": models.VectorParams(
size=128,
distance=models.Distance.COSINE,
multivector_config=models.MultiVectorConfig(
comparator=models.MultiVectorComparator.MAX_SIM
)
),
"mean_pooling_rows": models.VectorParams(
size=128,
distance=models.Distance.COSINE,
multivector_config=models.MultiVectorConfig(
comparator=models.MultiVectorComparator.MAX_SIM
)
)
}
)
选择数据集
在本教程中,我们将使用 Daniel van Strien 提供的 UFO 数据集。它可以在 Hugging Face 上找到;您可以直接从那里下载。
from datasets import load_dataset
ufo_dataset = "davanstrien/ufo-ColPali"
dataset = load_dataset(ufo_dataset, split="train")
嵌入与平均池化
我们将使用一个函数,以批处理方式生成每个 PDF 页面(即图像)的多向量表示及其平均池化版本。为了完全理解,考虑 ColPali 和 ColQwen 的以下细节非常重要:
ColPali: 理论上,ColPali 设计为每页 PDF 生成 1,024 个向量,但实际上它产生 1,030 个向量。这种差异是由于 ColPali 的预处理器在每个输入文本前附加了 <bos>Describe the image.,这段额外的文本生成了额外的 6 个多向量。
ColQwen: ColQwen 根据 PDF 页面的大小动态确定其“行和列”中的补丁数量。因此,多向量的数量可能会因输入而异。ColQwen 的预处理器在输入前添加 <|im_start|>user<|vision_start|>,并在末尾添加 <|vision_end|>Describe the image.<|im_end|><|endoftext|>。
例如,ColQwen 的多向量输出就是这样形成的。

get_patches 函数用于获取 ColPali/ColQwen2 模型将 PDF 页面划分成的 x_patches(行)和 y_patches(列)的数量。对于 ColPali,这些数字始终为 32x32;ColQwen 则会根据 PDF 页面大小动态定义它们。
x_patches, y_patches = model_processor.get_n_patches(
image_size,
patch_size=model.patch_size
)
对于 ColQwen 模型
model_processor.get_n_patches(
image_size,
patch_size=model.patch_size,
spatial_merge_size=model.spatial_merge_size
)
我们选择保留前缀和后缀多向量。我们的池化操作根据模型确定的行数和列数(ColPali 为固定的 32x32,ColQwen 为动态的 XxY)压缩表示图像标记的多向量。该函数会将模型产生的额外多向量保留并整合回池化后的表示中。
ColPali 模型的简化版池化代码
(请参阅 教程笔记本 中的完整版本——同样适用于 ColQwen)
processed_images = model_processor.process_images(image_batch)
# Image embeddings of shape (batch_size, 1030, 128)
image_embeddings = model(**processed_images)
# (1030, 128)
image_embedding = image_embeddings[0] # take the first element of the batch
# Now we need to identify vectors that correspond to the image tokens
# It can be done by selecting tokens corresponding to special `image_token_id`
# (1030, ) - boolean mask (for the first element in the batch), True for image tokens
mask = processed_images.input_ids[0] == model_processor.image_token_id
# For convenience, we now select only image tokens
# and reshape them to (x_patches, y_patches, dim)
# (x_patches, y_patches, 128)
image_patch_embeddings = image_embedding[mask].view(x_patches, y_patches, model.dim)
# Now we can apply mean pooling by rows and columns
# (x_patches, 128)
pooled_by_rows = image_patch_embeddings.mean(dim=0)
# (y_patches, 128)
pooled_by_columns = image_patch_embeddings.mean(dim=1)
# [Optionally] we can also concatenate special tokens to the pooled representations,
# For ColPali, it's only postfix
# (x_patches + 6, 128)
pooled_by_rows = torch.cat([pooled_by_rows, image_embedding[~mask]])
# (y_patches + 6, 128)
pooled_by_columns = torch.cat([pooled_by_columns, image_embedding[~mask]])
上传至 Qdrant
上传过程很简单;唯一需要注意的是 ColPali 和 ColQwen2 模型的计算成本。在资源受限的环境中,建议使用较小的批量大小进行嵌入和平均池化。
完整版的上传代码可在 教程笔记本 中获得。
查询 PDF
在对 PDF 文档进行索引后,我们就可以使用两阶段检索方法来查询它们了。
query = "Lee Harvey Oswald's involvement in the JFK assassination"
processed_queries = model_processor.process_queries([query]).to(model.device)
# Resulting query embedding is a tensor of shape (22, 128)
query_embedding = model(**processed_queries)[0]
现在让我们设计一个函数,使用 VLLMs 生成的多向量进行两阶段检索。
- 第一步: 使用压缩的多向量表示和 HNSW 索引预取结果。
- 第二步: 使用原始的多向量表示对预取的结果进行重排序。
让我们使用组合的平均池化表示查询我们的集合,作为检索的第一阶段。
# Final amount of results to return
search_limit = 10
# Amount of results to prefetch for reranking
prefetch_limit = 100
response = client.query_points(
collection_name=collection_name,
query=query_embedding,
prefetch=[
models.Prefetch(
query=query_embedding,
limit=prefetch_limit,
using="mean_pooling_columns"
),
models.Prefetch(
query=query_embedding,
limit=prefetch_limit,
using="mean_pooling_rows"
),
],
limit=search_limit,
with_payload=True,
with_vector=False,
using="original"
)
并检查对查询 “Lee Harvey Oswald 在肯尼迪遇刺案中的参与” 的首要检索结果。
dataset[response.points[0].payload['index']]['image']

结论
在本教程中,我们演示了一种优化方法,即使用 Qdrant 进行大规模 PDF 检索,并处理像 ColPali 和 ColQwen2 这样产生繁重多向量表示的 VLLM。
若无此类优化,检索系统的性能会严重下降,无论是在索引时间还是查询延迟方面,尤其是随着数据集规模的增长。
我们强烈建议在您的工作流程中实施此方法,以确保高效且可扩展的 PDF 检索。忽视对检索过程的优化可能会导致无法接受的性能低下,从而阻碍系统的可用性。
立即开始扩展您的 PDF 检索吧!