探索 mcdse-2b-v1：全新高效的多語言文檔檢索模型 原創(chuàng)
01、概述
在信息時代的浪潮中，各類數(shù)據(jù)以驚人的速度不斷產(chǎn)生，涵蓋文檔、演示文稿、圖像等多種格式。這些信息的多樣性為有效檢索帶來了巨大的挑戰(zhàn)。傳統(tǒng)的檢索模型在處理純文本查詢時表現(xiàn)良好，但面對復雜的多模態(tài)內(nèi)容（如截圖或幻燈片）時，卻往往力不從心。這對于需要從包含文本和視覺元素的文檔中提取信息的企業(yè)、研究人員和教育工作者來說，尤為棘手。因此，迫切需要一種能夠高效處理這些多樣化內(nèi)容的模型。
02、引入 mcdse-2b-v1：文檔檢索的新方法
今天，我們要向大家介紹 mcdse-2b-v1，這是一款全新的人工智能模型，能夠嵌入頁面或幻燈片截圖，并通過自然語言進行查詢。與依賴文本進行索引和搜索的傳統(tǒng)檢索系統(tǒng)不同，mcdse-2b-v1 讓用戶可以處理包含文字、圖片和圖表的截圖或幻燈片，這為經(jīng)常處理非純文本文檔的用戶打開了新的可能性。用戶只需截取一張演示文稿的截圖或信息圖文檔，將其嵌入模型中，就能通過自然語言搜索獲得相關信息。
mcdse-2b-v1 架起了傳統(tǒng)文本查詢與更復雜視覺數(shù)據(jù)之間的橋梁，非常適合那些需要頻繁分析演示文稿、報告或其他視覺文檔內(nèi)容的行業(yè)。這一能力使得該模型在信息豐富的環(huán)境中顯得尤為重要，因為手動瀏覽這些視覺密集的文檔往往耗時且效率低下。與其費力尋找那一張?zhí)囟ǖ幕脽羝蚴侵痦摲喢芗膱蟾?，不如利用自然語言直接搜索嵌入內(nèi)容，既節(jié)省了時間，又提升了工作效率。
03、技術細節(jié)與優(yōu)勢
mcdse-2b-v1（??）基于 MrLight/dse-qwen2-2b-mrl-v1，并采用 DSE 方法進行訓練。它是一款高效、可擴展且多語言的文檔檢索模型，能夠無縫處理混合內(nèi)容源。該模型提供了一種嵌入機制，有效捕捉文本與視覺成分，使得在多模態(tài)數(shù)據(jù)類型之間進行強大的檢索操作成為可能。
mcdse-2b-v1 最顯著的特點之一是其資源效率。例如，它可以在僅 10 GB 的空間內(nèi)嵌入 1 億個頁面。這種優(yōu)化水平使其非常適合數(shù)據(jù)存儲緊張的應用場景，如本地解決方案或邊緣計算部署。此外，該模型的體積可以縮小至原來的六分之一，且性能損失極小，這使其能夠在資源有限的設備上運行，同時保持高檢索準確性。
另一個優(yōu)勢是 mcdse-2b-v1 與常用框架如 Transformers 或 vLLM 的兼容性，這使得其對廣泛用戶而言變得更加可及。這種靈活性使得開發(fā)者和數(shù)據(jù)科學家可以輕松將該模型集成到現(xiàn)有的機器學習工作流中，無需進行大幅修改，極大地方便了使用。
#如何使用
初始化模型和處理器
from transformers import AutoProcessor, Qwen2VLForConditionalGeneration
from PIL import Image
import torch
import math
model = Qwen2VLForConditionalGeneration.from_pretrained(
'marco/mcdse-2b-v1',
attn_implementation="flash_attention_2",
torch_dtype=torch.bfloat16,
device_map="cuda:0"
).eval()
min_pixels = 1 * 28 * 28
max_pixels = 960 * 28 * 28
processor = AutoProcessor.from_pretrained(
'marco/mcdse-2b-v1',
min_pixels=min_pixels,
max_pixels=max_pixels
)
model.padding_side = "left"
processor.tokenizer.padding_side = "left"
document_prompt = "<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\n<|vision_start|><|image_pad|><|vision_end|>What is shown in this image?<|im_end|>\n<|endoftext|>"
query_prompt = "<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n<|im_start|>user\n<|vision_start|><|image_pad|><|vision_end|>Query: %s<|im_end|>\n<|endoftext|>"對查詢進行編碼
def encode_queries(queries: list[str], dimension: int):
dummy_image = Image.new('RGB', (56, 56))
inputs = processor(
text=[query_prompt % x for x in queries],
images=[dummy_image for _ in queries],
videos=None,
padding='longest',
return_tensors='pt'
).to('cuda:0')
cache_position = torch.arange(0, len(queries))
inputs = model.prepare_inputs_for_generation(
**inputs, cache_position=cache_position, use_cache=False)
with torch.no_grad():
output = self.model(
**inputs,
return_dict=True,
output_hidden_states=True
)
embeddings = output.hidden_states[-1][:, -1]
return torch.nn.functional.normalize(embeddings[:, :dimension], p=2, dim=-1)對文檔進行編碼
def round_by_factor(number: float, factor: int) -> int:
return round(number / factor) * factor
def ceil_by_factor(number: float, factor: int) -> int:
return math.ceil(number / factor) * factor
def floor_by_factor(number: float, factor: int) -> int:
return math.floor(number / factor) * factor
def smart_resize(height: int, width: int) -> tuple[int, int]:
h_bar = max(28, round_by_factor(height, 28))
w_bar = max(28, round_by_factor(width, 28))
if h_bar * w_bar > max_pixels:
beta = math.sqrt((height * width) / max_pixels)
h_bar = floor_by_factor(height / beta, 28)
w_bar = floor_by_factor(width / beta, 28)
elif h_bar * w_bar < min_pixels:
beta = math.sqrt(min_pixels / (height * width))
h_bar = ceil_by_factor(height * beta, 28)
w_bar = ceil_by_factor(width * beta, 28)
return h_bar, w_bar
def resize(image: Image.Image):
new_size = smart_resize(image.height, image.width)
return image.resize(new_size)
def encode_documents(documents: list[Image.Image], dimension: int):
inputs = processor(
text=[document_prompt] * len(documents),
images=[resize(x) for x in documents],
videos=None,
padding='longest',
return_tensors='pt'
).to('cuda:0')
cache_position = torch.arange(0, len(queries))
inputs = model.prepare_inputs_for_generation(
**inputs, cache_position=cache_position, use_cache=False)
with torch.no_grad():
output = self.model(
**inputs,
return_dict=True,
output_hidden_states=True
)
embeddings = output.hidden_states[-1][:, -1]
return torch.nn.functional.normalize(embeddings[:, :dimension], p=2, dim=-1)對比結果
04、mcdse-2b-v1 的重要性
mcdse-2b-v1 的意義不僅在于其高效的信息檢索能力，更在于它如何使復雜文檔分析變得更加平易近人。傳統(tǒng)的文檔檢索方法往往需要精確的結構化，并且常常忽視現(xiàn)代文檔中豐富的視覺元素。而 mcdse-2b-v1 的出現(xiàn)，讓用戶可以像進行文本查詢一樣，輕松訪問嵌入在圖表、圖示及其他非文本組件中的信息。
初步結果顯示，即使在壓縮至原始大小的六分之一時，mcdse-2b-v1 依然能夠持續(xù)提供高檢索準確率。這種性能使其適合于大規(guī)模部署，而不必擔心典型的計算開銷。此外，其多語言能力意味著它可以為全球范圍內(nèi)的用戶提供服務，對于在多個語言環(huán)境中運作的跨國組織或?qū)W術機構而言，尤其寶貴。
對于那些從事多模態(tài)檢索增強生成（RAG）工作的人員來說，mcdse-2b-v1 提供了一種可擴展的解決方案，能夠為包含文本和視覺內(nèi)容的文檔提供高性能的嵌入。這種結合增強了下游任務的能力，如回答復雜用戶查詢或從多模態(tài)輸入中生成詳細報告。
05、結語
mcdse-2b-v1 通過嵌入頁面和幻燈片截圖，具備了可擴展性、效率和多語言能力，從而解決了多模態(tài)文檔檢索的挑戰(zhàn)。它簡化了與復雜文檔的互動，使用戶免于繁瑣的手動搜索過程。用戶將獲得一種強大的檢索模型，有效處理多模態(tài)內(nèi)容，認識到現(xiàn)實數(shù)據(jù)的復雜性。這一模型重新定義了我們?nèi)绾卧L問和與嵌入文本和視覺知識互動，為文檔檢索設定了新的標準。
通過以上的介紹，相信大家對 mcdse-2b-v1 有了更深入的了解。這一模型不僅將推動文檔檢索技術的發(fā)展，也將改變我們處理信息的方式，讓知識獲取變得更加高效和便捷。歡迎大家繼續(xù)關注這一領域的最新動態(tài)！
參考：
本文轉(zhuǎn)載自公眾號Halo咯咯 作者：基咯咯
原文鏈接：??https://mp.weixin.qq.com/s/JKLE-CuZzBvG53gJKxDScw??
