MiniCPM-V 系列模型在多模态文档 RAG 中的应用

在相当长一段时间内，检索增强生成（RAG）需要使用 OCR 技术把文档中的文本抽取出来，接着使用文本嵌入模型获得语义向量，利用语义向量构建知识库进行检索。这种方法，会丢失所有的图像信息、大部分表格信息、图表信息，存在不可避免的信息损失。

是否能够用一种近乎无损的方法来表征复杂图文文档，从而用来信息无损地检索多模态文档？

传统的图文检索方法包括 CLIP 模型和 SigLip 模型，这些模型在对比学习训练中或多或少获得了一些文档表征能力，但由于先天的结构设计问题，这些模型并不能很好地处理信息密度极高、语义极为复杂的文档，进而无法用作文档表示模型。

但以 GPT-4V, QwenVL, MiniCPM-V-2.0 等为代表的支持 OCR 能力的视觉语言模型，能够理解复杂的图文交错的文档，无论是文本密集型还是图像密集型文档，模型均借助视觉编码器的视觉能力和语言模型基座的强大的文本功底，形成良好的复杂文档理解能力。

那么，在这些支持 OCR 能力的模型上训练不需要 OCR 的向量检索模型，用来在大量文档中检索所需要的文档，就成为可能。

现在我们以 OpenBMB 基于 MiniCPM-V-2.0 训练的端到端多模态检索模型 MiniCPM-Visual-Embedding-v0 为例，实现多模态检索。

若不熟悉代码或无GPU，本教程中的代码其实可以忽略，意会即可，笔者在huggingface上搭建了几个免费的demo可以给大家使用。

若不熟悉多模态信息检索也没有关系！本文的小标题非常容易follow。

如果你是 Linux+英伟达GPU用户，在开始前，我们需要配置 MiniCPM-V 的运行环境。确保有 8GB 的显存。

首先应该创建一个空的环境，这里用的是 python 自带的 venv 库。

python -m venv visrag

创建一个空的 python 3.10 环境，然后进入这个环境:

source visrag/bin/activate

用 pip 安装下面的包：

PyMuPDF
tqdm
gradio
Pillow==10.1.0
sentencepiece==0.1.99
numpy==1.26.0
transformers==4.40.2
torch==2.1.2
torchvision==0.16.2
timm

然后需要安装 torch 和 torchvision，笔者喜欢从 pytorch 的官方镜像站 https://download.pytorch.org/whl/torch/ 下载，或通过普通的 pip 安装。

这里作者的环境是ubuntu18.04+nvidia a800，这里的安装方法不要求cuda版本匹配，只需要nvidia gpu driver能正常工作即可。 为了兼容大多数gpu driver版本，作者建议下载

• Torch https://download.pytorch.org/whl/cu118/torch-2.1.2%2Bcu118-cp310-cp310-linux_x86_64.whl#sha256=60396358193f238888540f4a38d78485f161e28ec17fa445f0373b5350ef21f0

• Torchvision https://download.pytorch.org/whl/cu118/torchvision-0.16.2%2Bcu118-cp310-cp310-linux_x86_64.whl#sha256=18470aef0bbde73f5a6a96135cd457f4d8be31f60be7ceae4ef5174f02f73add

下载完成后，使用

pip install torch-2.1.2+cu118-cp310-cp310-linux_x86_64.whl
pip install torchvision-0.16.2+cu118-cp310-cp310-linux_x86_64.whl

完成torch和torchvision的安装。

安装完成后，需要下载 MiniCPM-Visual-Embedding-v0 的模型权重。

这里我们从 huggingface 下载权重

pip install huggingface-hub
huggingface-cli download --resume-download RhapsodyAI/minicpm-visual-embedding-v0 --local-dir minicpm-visual-embedding-v0 --local-dir-use-symlinks False

如果是在国内，可以首先执行下面的代码再下载

export HF_ENDPOINT=https://hf-mirror.com

我们也在 modelscope 上提供下载：

pip install modelscope
modelscope download --model RhapsodyAI/MiniCPM-Visual-Embedding-v0

等待几分钟后可以在当前目录下找到 minicpm-visual-embedding-v0 目录，模型已经下载完成。

按照 官方readme 里面的代码，这里需要把 model_path 改成刚刚下载的 minicpm-visual-embedding-v0的路径：

model_path = './minicpm-visual-embedding-v0'

from transformers import AutoModelfrom transformers import AutoTokenizerfrom PIL import Imageimport torchdevice = 'cuda:0'# Load model, be sure to substitute `model_path` by your model path model_path = '/local/path/to/model'tokenizer = AutoTokenizer.from_pretrained(model_path, trust_remote_code=True)model = AutoModel.from_pretrained(model_path, trust_remote_code=True)model.to(device)

这里提供了 3 张例子图片，分别是 image1.png，image2.png，image3.png，需要把路径分别替换进下面的代码。

这个代码实现的是模型的加载和一个最简单的检索。这里用户的问题是 Who was elected as president of United States in 2020?，同时提供了 3 张候选图片，其中有一张图片里的文档是能够回答这个问题的，其他的不能。

# Load image to PIL.Image objectimage_1 = Image.open('/local/path/to/images/memex.png').convert('RGB')image_2 = Image.open('/local/path/to/images/us2020.png').convert('RGB')image_3 = Image.open('/local/path/to/images/hard_negative.png').convert('RGB')# User queryquery_instruction = 'Represent this query for retrieving relavant document: 'query = 'Who was elected as president of United States in 2020?'query_full = query_instruction + query# Embed image documentswith torch.no_grad():    p_reps = model(text=['', '', ''], image=[image_1, image_2, image_3], tokenizer=tokenizer).reps# Embed text querieswith torch.no_grad():    q_reps = model(text=[query_full], image=[None], tokenizer=tokenizer).reps # [B, s, d]# Calculate similaritiesscores = torch.matmul(q_reps, p_reps.T)print(scores)# tensor([[-0.0112,0.3316,0.2376]], device='cuda:0')

在这个代码中，我们需要首先对问题加上一个 prompt，这会告诉模型这是一个用户的问题：

# User queryquery_instruction = 'Represent this query for retrieving relavant document: 'query = 'Who was elected as president of United States in 2020?'query_full = query_instruction + query

然后我们把文档和问题分别用训练好的视觉文档检索模型编码，如下：

# 编码文档with torch.no_grad():    p_reps = model(text=['', '', ''], image=[image_1, image_2, image_3], tokenizer=tokenizer).reps

# 编码问题with torch.no_grad():    q_reps = model(text=[query_full], image=[None], tokenizer=tokenizer).reps # [B, s, d]

然后需要对问题和每一页文档计算向量相似度：

scores = torch.matmul(q_reps, p_reps.T)print(scores)

这之后就能够知道哪个文档与这个问题的相关性最强，根据相似性取出 K 个文档作为检索结果。

可以看到输出的分数是：

tensor([[-0.0112,  0.3316,  0.2376]], device='cuda:0')

这些分数表示了每个图像文档和问题直接的相似性：

Image 1 这是一个完全无关的文档。（得分-0.0112） 

Image 2 这是能解决问题的文档。（得分0.3316） 

Image 3 这是一个混淆项，它确实和 president election of United States 有关，但并不能解答用户的问题 Who was elected as president of United States in 2020?。（得分0.2376）

像上面这样用代码做检索非常麻烦，笔者在 MiniCPM_Visual_Document_Retriever_Demo 的仓库里上传了一个可以本地部署的一个demo，这个demo可以对着一个很长的PDF问问题，检索最相关页面，可以很大程度节省阅读无关页面的时间。

唯一需要改的是 model_path 需要换成刚刚下载的 minicpm-visual-embedding-v0 的路径。然后需要通过 pip 安装 gradio。

pip install gradio

然后运行

python app.py

就会打开一个demo，可以对pdf提问题。

只需要在Upload PDF处上传一个PDF文件，点击 Process PDF 等待每一页被模型编码完成后，会得到一个知识库ID，这个ID会存在内存中，可以后续长时间使用。

之后，有了这个知识库ID就可以对PDF提问题了，这里的问题可以是陈述句也可以是问题，系统会返回最匹配的 K 个文档。

笔者以自己的一篇文章手稿为例，上传文章PDF并提了一个问题：

笔者认为，这个结果是相当不错的，笔者当时画这两张图确实是为了探究 semantic stitching 不是 trivial 的，看来模型对于图像的理解还是可以的。

即使没有GPU，也可以在 huggingface 的 space 上免费用这个 demo，不用本地部署，解放双手。Huggingface Demo。这个demo是笔者开的，用户可以免费用。

至此，我们已经拿到了检索的最相关页面，但是阅读这些页面并回答也需要时间，这个情况在 MiniCPM-V-2.6 发布之前，要用 GPT-4V 的 api 来实现生成，但现在有了 MiniCPM-V-2.6 的强大的多图综合理解能力（其实笔者恰好参与了 MiniCPM-V-2.6 多图理解的训练，所以，笔者觉得是时候实现一下 RAG 的生成部分了！）

MiniCPM-V-2.6 将会根据这些文档图片来生成一个问题的答案。

我们可以用类似的方式下载 MiniCPM-V-2.6。

这里我们从 huggingface 下载权重：

huggingface-cli download --resume-download openbmb/MiniCPM-V-2_6 --local-dir MiniCPM-V-2_6 --local-dir-use-symlinks False

如果是在国内，可以首先执行下面的代码再下载

export HF_ENDPOINT=https://hf-mirror.com

等待几分钟后可以在当前目录下找到 MiniCPM-V-2_6 目录，模型已经下载完成。

按照官方给出的readme，把path替换为本地下载好的 MiniCPM-V-2.6 即可。

import torchfrom PIL import Imagefrom transformers import AutoModel, AutoTokenizermodel = AutoModel.from_pretrained('/path/to/MiniCPM-V-2_6', trust_remote_code=True,    attn_implementation='sdpa', torch_dtype=torch.bfloat16) # sdpa or flash_attention_2, no eagermodel = model.eval().cuda()tokenizer = AutoTokenizer.from_pretrained('/path/to/MiniCPM-V-2_6', trust_remote_code=True)

这里是个例子：

image1 = Image.open('image1.jpg').convert('RGB')image2 = Image.open('image2.jpg').convert('RGB')question = 'Compare image 1 and image 2, tell me about the differences between image 1 and image 2.'msgs = [{'role': 'user', 'content': [question, image1, image2]}]answer = model.chat(    image=None,    msgs=msgs,    tokenizer=tokenizer)print(answer)

然后笔者搭建了一个huggingface demo，把这一套流程集成到了多模态检索流程中，就是说，在召回了多个候选图片文档后，会传给生成模型生成解答。这里笔者发现一个有趣的现象，可能也是必然，就是 这里用户的问题 question 最好能放在所有图片之前，这样我觉得模型能够有更多的「时间」来理解这个问题。实际试下来，发现问题在后的话，回答质量一般，但放在图片之前，就会好很多！

下面是笔者用自己搭建的 hf demo 检索-生成答案的一个例子：

在这个case中，笔者上传了一篇之前看过的paper，https://arxiv.org/abs/2402.09906 笔者把pdf上传到demo上，进行编码，笔者想考验一下这个系统能否正常工作，于是笔者就问了一下「如果对比学习中把文档的梯度停掉，不反向传播会怎样」，检索出的第一个页面就是笔者脑海中的那个，并且生成模型 MiniCPM-V-2.6 也很给力的把笔者想说的给说了，见生成的最后一句话。

好了，现在放上笔者的hf demo链接，有兴趣的小伙伴可以去试一下，和上面一样都是免费用的，如果想自己部署的话，把space里面的代码clone下来就可以在本地跑起来了，快去试试吧！

python app.py

demo链接奉上：https://huggingface.co/spaces/bokesyo/MiniCPMV-RAG-PDFQA

demo源代码：https://huggingface.co/spaces/bokesyo/MiniCPMV-RAG-PDFQA/tree/main

希望笔者可以给大家使用 MiniCPM-V 系列做多模态RAG带来一定的启发。