VARAG(视觉增强检索和生成):是一种视觉优先的RAG引擎,强调基于视觉的检索技术。它通过视觉语言模型集成视觉和文本数据,增强了传统的检索增强生成 (RAG) 系统。
🚀 支持的检索技术
VARAG支持多种检索技术,针对不同用例进行了优化,包括文本、图像和多模式文档检索。以下是支持的主要技术:
- 简单RAG(带OCR)
简单 RAG(检索增强生成)是一种高效而直接的方法,用于从文档中提取文本并将其输入到检索管道中。VARAG通过Docling 整合了光学字符识别 (OCR),从而可以处理和索引扫描的PDF或图像。
Docling在Markdown和JSON格式下的输出示例
VARAG提取和索引文本后,可以将查询与文档中的相关段落进行匹配,为生成基于提取信息的响应提供坚实的基础。此技术非常适合文本密集的文档,例如扫描的书籍、合同和研究论文,并且可以与大型语言模型 (LLM) 配对以生成上下文感知的输出。
Docling技术报告 https://arxiv.org/pdf/2408.09869``https://github.com/DS4SD/docling
- 视觉RAG
Vision RAG 通过整合视觉信息检索来扩展传统的 RAG 技术,从而弥合文本和图像之间的差距。使用强大的跨模态嵌入模型(如 JinaCLIP(由 Jina AI 开发的 CLIP 的变体)),文本和图像都被编码到共享向量空间中。
jina-clip-v1的训练范式,共同优化文本-图像和文本-文本匹配
这允许跨不同模态进行相似性搜索,这意味着可以同时查询图像和文本。Vision RAG 特别适用于文档分析任务,其中视觉组件(例如,图形、图表、图像)与文本内容同样重要。它对于图像字幕或生成产品描述等任务也很有效,在这些任务中,理解和关联文本与视觉元素至关重要。
- ColPali RAG
ColPali RAG代表了一种尖端方法,它通过直接将文档页面嵌入为图像而不是将其转换为文本来简化传统的检索流程。
该方法利用了Google团队的视觉语言模型 (VLM) PaliGemma,它将整个文档页面编码为矢量嵌入,将页面布局和视觉元素视为检索过程的一部分。ColPali RAG使用受ColBERT(Column BERT)启发的后期交互机制,通过启用用户查询和文档patches之间的token-level匹配来增强检索。这种方法确保了高检索准确性,同时还保持了合理的索引和查询速度。它对于富含视觉效果的文档特别有益,例如信息图表、表格和复杂布局,而传统的基于文本的检索方法很难处理这些文档。
ColPali论文: https://arxiv.org/abs/2407.01449``ColPali博客: https://huggingface.co/blog/manu/colpali``ColPali实战: https://github.com/weaviate/recipes/blob/main/weaviate-features/named-vectors/NamedVectors-ColPali-POC.ipynb
- 混合ColPali RAG
混合ColPali RAG 结合了图像嵌入和ColPali的后期交互机制的优势,进一步提高了检索性能。
-
系统首先使用图像嵌入(例如来自 JinaCLIP 等模型)执行粗略检索步骤,以检索前 k 个相关文档页面。
-
然后,在第二遍中,系统使用 ColPali 后期交互机制对这 k 个页面重新排序,以根据视觉和文本信息确定最终最相关的页面集。
当文档包含复杂的视觉效果和详细的文本时,这种混合方法特别有用,允许系统利用这两种内容类型进行高度准确的文档检索。
🚀 开始使用VARAG
每种视觉RAG技术都被构建为一个类,抽象所有组件并提供以下方法:
from varag.rag import {{RAGTechnique}}`` ``ragTechnique = RAGTechnique()`` ``ragTechnique.index(` `"/path_to_data_source",` `other_relevant_data``)`` ``results = ragTechnique.search("query", top_k=5)`` ``# These results can be passed into the LLM / VLM of your choice
为什么要抽象这么多?
VARAG最初打算快速测试和评估不同的基于视觉的 RAG(检索增强生成)系统,以确定哪一个最适合我的用例,最终演化成了一个框架或库。
这种抽象旨在简化尝试不同 RAG 范例的过程,而不会使组件之间的兼容性复杂化。为了使事情变得简单,选择 LanceDB作为向量存储,因为它易于使用且可定制性高。
VARAG提供了4种视觉RAG技术的测试脚本,可以快速尝试与评测
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。