ColPali项目中的多向量评分归一化方法解析
2025-07-08 18:07:27作者:宣利权Counsellor
ColPali是一个基于多模态检索的创新项目,它能够对图像和文本进行联合编码和相似度计算。在实际应用中,开发者经常需要对模型输出的原始评分进行归一化处理,以便更直观地理解相似度结果。
评分机制原理
ColPali的score_multi_vector()
方法输出的原始评分是基于查询文本中所有词项与图像区域最大相似度的总和。这种评分机制有几个关键特点:
- 每个(查询词项,图像区域)对的相似度计算使用点积运算,理论范围在(-1,1)之间
- 实际应用中,大多数相似度值大于0
- 最终得分与查询长度直接相关,因为它是所有词项得分的累加
评分归一化挑战
开发者在使用过程中发现,直接使用原始评分存在以下问题:
- 不同长度查询的评分不可直接比较
- 评分范围不固定,难以设定统一阈值
- 模型自动添加的填充标记会影响评分计算
解决方案实现
经过与项目维护者的讨论和实际验证,我们推荐以下归一化方法:
def normalize_scores(batch_queries, scores):
attention_mask = batch_queries["attention_mask"].cpu()
query_lengths = attention_mask.sum(dim=1, dtype=torch.float32).unsqueeze(1)
# 避免除以零
query_lengths[query_lengths == 0] = 1
normalized_scores = scores / query_lengths
return normalized_scores
该方法的核心思想是:
- 使用attention_mask识别实际查询内容,忽略填充标记
- 计算每个查询的实际有效长度
- 用原始评分除以查询长度得到平均相似度
技术要点说明
- attention_mask的重要性:直接使用查询嵌入长度会导致归一化不准确,因为模型会统一填充到最长查询长度
- 避免除零:作为防御性编程,处理可能出现的零长度查询情况
- 批处理支持:该方法天然支持批量查询的归一化处理
实际应用效果
经过归一化处理后:
- 相似度评分范围稳定在合理区间
- 不同长度查询的评分具有可比性
- 预期相似度高的图像-文本对能够明显区分出来,通常有15-20个百分点的差异
这种方法为ColPali的实际部署提供了可靠的评分解释方案,使开发者能够更直观地理解和使用模型的检索结果。
登录后查看全文
热门项目推荐
Hunyuan3D-Part
腾讯混元3D-Part00Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0275community
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息011Hunyuan3D-2
Hunyuan3D 2.0:高分辨率三维生成系统,支持精准形状建模与生动纹理合成,简化资产再创作流程。Python00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
154
1.98 K

本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
506
42

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
194
279

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
992
395

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
940
554

本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
335
11

openGauss kernel ~ openGauss is an open source relational database management system
C++
146
191

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
75
70