前面文章提到，文档智能解析能够有效的增强RAG系统的准确性。【文档智能 & RAG】RAG增强之路：增强PDF解析并结构化技术路线方案及思路
可以看到基于PDF的RAG，需要先对pdf进行解析，生成文本chunk，然后再基于文本建索引。这种pipline的方式，每个解析模块都需要放置对应的解析模型，存在着错误传播的问题。因此，笔者看到ColPali时，这种端到端的方案挺有意思，本文来看一看这个思路。
ColBERT
在此之前，先看一下ColBERT的架构，该架构包括：查询编码器、文档编码器和后期交互机制。
查询编码器
假设有一个查询 Q Q Q,其标记(token)为$ q1, q2, …, ql$,处理步骤如下：
- 将 Q Q Q转换为 BERT 使用的 WordPiece 标记 (一种子词分词方法)。
- 在序列开头添加一个特殊的[Q]标记，紧随 BERT 的[CLS]标记之后，用于标识查询的开始。
- 如果查询长度不足预设的$ N_q$个标记，用[mask]标记填充；若超过则截断。
- 将处理后的序列输入 BERT,然后通过CNN处理，最后进行归一化。
最终输出的查询嵌入向量集合 $E_q $可表示为：
E q : = N o r m a l i z e ( B E R T ( [ Q ] , q 0 , q 1 , … , q l , [ m a s k ] , [ m a s k ] , … , [ m a s k ] ) ) E_q:=Normalize(BERT([Q],q_0,q_1,\ldots,q_l,[mask],[mask],\ldots,[mask])) Eq:=Normalize(BERT([Q],q0,q1,…,ql,[mask],[mask],…,[mask]))
文档编码器
对于包含标记 d 1 , d 2 , . . . , d n d_1, d_2, ..., d_n d1,d2,...,dn 的文档$ D $,处理步骤类似：
- 在序列开头添加[D]标记，标识文档开始。
- 无需填充，直接输入 BERT 进行处理。
文档嵌入向量集合 Ed 可表示为：
E d : = F i l t e r ( N o r m a l i z e ( B E R T ( [ D ] , d 0 , d 1 , … , d n ) ) ) E_d:=Filter(Normalize(BERT([D],d_0,d_1,\ldots,d_n))) Ed:=Filter(Normalize(BERT([D],d0,d1,…,dn)))
Filter用于去除与标点符号对应的嵌入，从而提升分析速度。这里的查询填充策略(论文中称为"查询增强")确保了所有查询长度一致，有利于批量处理。而[Q]和[D]标记则帮助模型区分输入类型，提高了处理效率。
后期交互机制
“交互”是指通过比较查询和文档的向量表示来评估它们之间的相关性。“后期交互”表示这种比较发生在查询和文档已经被独立编码之后。这种方法与BERT之类的“早期交互”模型不同——早期交互中查询和文档的Embedding在较早的阶段相互作用，通常是在编码之前或期间。
ColBERT采用了一种后期交互机制，使得查询和文档的表示可以用于预计算。然后，在末尾使用简化的交互步骤来计算已编码的向量列表之间的相似性。与早期交互方法相比，后期交互可以加快检索时间和降低计算需求，适用于需要高效处理大量文档的场景。
编码器将查询和文档转换为token级别的embedding列表 E q E_q Eq 和$ E_d 。然后，后期交互阶段使用针对每个 。然后，后期交互阶段使用针对每个 。然后，后期交互阶段使用针对每个E_q 中的向量，找与其产生最大内积的 中的向量，找与其产生最大内积的 中的向量，找与其产生最大内积的E_d$中的向量(即为向量之间的相似性),并将所有分数求和的最大相似性 (MaxSim) 计算。MaxSim的计算结果就反映了查询与文档之间的相关性分数，表示为 S q , d S_{q,d} Sq,d 。
S q , d : = ∑ i ∈ [ ∣ E q ∣ ] max j ∈ [ ∣ E d ∣ ] E q i ⋅ E d j T S_{q,d}:=\sum_{i\in[|E_q|]}\max_{j\in[|E_d|]}E_{q_i}\cdot E_{d_j}^T Sq,d:=i∈[∣Eq∣]∑j∈[∣Ed∣]maxEqi⋅EdjT
这种方法的独特价值在于能够对查询与文档token embedding之间进行详细、细粒度的比较，有效捕捉查询和文档中长度不同的短语或句子之间的相似性。这尤其适合需要精确匹配文本片段的应用场景，可以提高搜索或匹配过程的整体准确性。
ColPali
与 ColBERT 相比，ColPali 仍然使用文本作为查询，文档则是图像类型。在视觉encoder，也是利用多模态的视觉大模型来生成图片端的向量，但不仅仅只生成单个向量。而是利用VIT的patch embedding，来生成多个向量。直觉上确实是会有收益，因为一整页的pdf，只压缩在一个固定维度的向量中，那肯定有信息损失，而且以patch为单位生成embedding。
视觉语言模型
ColPali选择PaliGemma-3B作为其视觉语言模型，这是一个相对较小的模型，具有多个针对不同图像分辨率和任务微调的检查点，并且在各种文档理解基准测试中表现出色。PaliGemma-3B的一个关键特性是其文本模型在前缀（指令文本和图像标记）上进行了全块注意力的微调。
为了生成轻量级的多向量表示，ColPali在PaliGemma-3B模型的基础上添加了一个投影层，将输出的语言建模嵌入映射到一个降低维度的向量空间中（D=128），这与ColBERT论文中使用的向量空间大小相同。
后期交互机制
ColPali采用了和ColBERT 类似的后期交互机制，这是一种在检索时才进行的交互方式。给定查询 q q q和文档 d d d，它们的多向量表示在共同的嵌入空间RD中分别表示为 E q ∈ R N q × D \mathbf{E_q}\in\mathbb{R}^{N_q\times D} Eq∈RNq×D和 E d ∈ R N d × D \mathbf{E_d}\in\mathbb{R}^{N_d\times D} Ed∈RNd×D。后期交互操作符 L I ( q , d ) LI(q, d) LI(q,d)定义为查询向量 E q ( j ) \mathbf{E}_{\mathbf{q}}^{(j)} Eq(j)与其在文档嵌入向量 E d ( 1 : N d ) \mathbf{E}_{\mathbf{d}(1{:}N_d)} Ed(1:Nd)中的最大点积⟨·|·⟩的总和。
数学公式表示为：
LI ( q , d ) = ∑ i ∈ [ ∣ 1 , N q ∣ ] max j ∈ [ ∣ 1 , N d ∣ ] ⟨ E q ( i ) ∣ E d ( j ) ⟩ \begin{aligned}&\text{LI}\left(q,d\right)=\sum_{i\in[|1,N_q|]}\max_{j\in[|1,N_d|]}\langle\mathbf{E_q}^{(i)}|\mathbf{E_d}^{(j)}\rangle\end{aligned} LI(q,d)=i∈[∣1,Nq∣]∑j∈[∣1,Nd∣]max⟨Eq(i)∣Ed(j)⟩
通过这种方式，ColPali能够在检索时充分利用查询和文档之间的交互，同时保持了离线计算和快速查询匹配的优势。
对比损失
对比损失通过对比正样本和负样本之间的差异来训练模型。在ColPali模型中，对比损失用于优化检索任务，使得模型能够学习区分与查询相关的文档和不相关的文档。
在ColPali模型的训练过程中，每个批次包含多个查询-文档对。对于每对查询 q k q_k qk和其对应的正样本文档 d k d_k dk，模型会计算一个正样本分数$ s_k^+ ，这是通过后期交互操作 ，这是通过后期交互操作 ，这是通过后期交互操作LI(q_k, d_k) 得到的。同时，模型还会计算一个负样本分数 得到的。同时，模型还会计算一个负样本分数 得到的。同时，模型还会计算一个负样本分数 s_k^- $，这是通过在批次中所有其他文档（即负样本）上执行晚期交互操作，并取最大值得到的。
L = 1 b ∑ k = 1 b softplus ( s k − − s k + ) \mathcal{L}=\frac1b\sum_{k=1}^b\text{softplus}\left(s_k^--s_k^+\right) L=b1k=1∑bsoftplus(sk−−sk+)
其中：
- b b b 是批次中查询-文档对的数量。
- $ s_k^+ $ 是查询q_k与其对应的正样本文档dk之间的正样本分数。
- $ s_k^- $是查询q_k与所有负样本文档中的最大分数。
实验效果
参考文献
- ColPali: Efficient Document Retrieval with Vision Language Models
- https://github.com/illuin-tech/colpali?tab=readme-ov-file