首页
/ multimodal-search-r1 的安装和配置教程

multimodal-search-r1 的安装和配置教程

2025-05-28 21:20:17作者:殷蕙予

项目基础介绍

multimodal-search-r1 是一个开源项目,旨在通过端到端的强化学习框架,为大型语言模型(LMMs)赋予主动图像搜索能力。项目的目标不仅包括训练模型决定何时调用图像搜索工具,还包括有效地提取、合成和利用相关信息以支持下游推理。该项目是使LMMs能够以目标导向的方式动态与外部工具交互的基础步骤,从而提高长尾和知识密集型视觉问答(VQA)任务的性能。

该项目主要使用的编程语言是 Python。

项目使用的关键技术和框架

  • 强化学习(RL)框架:用于训练模型主动搜索图像的能力。
  • OpenDeepResearcher:用于图像搜索的工具管道。
  • SerpApi:用于检索与图像相关的网络内容。
  • JINA Reader:用于处理图像数据。
  • LLM(Large Language Model):用于对搜索到的内容进行总结。

项目安装和配置的准备工作

在开始安装之前,请确保您的系统中已经安装了以下软件:

  • Python 3.9 或更高版本
  • Conda(用于Python环境管理)
  • pip3(用于安装Python包)

详细的安装步骤

  1. 克隆项目仓库 在您的命令行中执行以下命令以克隆项目仓库:

    git clone https://github.com/EvolvingLMMs-Lab/multimodal-search-r1.git
    cd multimodal-search-r1
    
  2. 初始化 Conda 环境 创建并激活一个新的Conda环境,使用以下命令:

    conda create -n imsearch python=3.9 -y
    conda activate imsearch
    
  3. 安装项目依赖 使用以下命令安装项目所需的Python包:

    pip3 install -e .
    pip3 install flash-attn --no-build-isolation
    pip3 install wandb
    
  4. 配置 wandb 替换 XXX 为您的 wandb API Key,并执行以下命令进行配置:

    export WANDB_API_KEY="XXX"
    wandb login $WANDB_API_KEY
    
  5. 实现搜索工具管道tools/ 目录下实现您自己的搜索工具管道。

  6. 训练和评估模型 使用以下命令进行统一训练和评估:

    bash scripts/run_imsearch_grpo.sh
    

    请注意配置以下重要参数:

    • actor_rollout_ref.rollout.name 应设置为 vllm_multiturn_imsearch 以启用多轮搜索。
    • actor_rollout_ref.actor.use_multi_turn_response_mask 应设置为 True,用于精确计算损失。
    • actor_rollout_ref.rollout.max_gen_round 设置为最大回合数。
    • data.max_response_length 设置为每回合的最大响应长度。
    • actor_rollout_ref.rollout.response_length_total 设置为所有回合(除第一回合用户提示外)的最大对话长度。

以上就是 multimodal-search-r1 的安装和配置指南,按照上述步骤操作,即可完成项目的搭建。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K
kernelkernel
deepin linux kernel
C
22
6
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
RuoYi-Vue3RuoYi-Vue3
🎉 (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
930
553
nop-entropynop-entropy
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
openHiTLSopenHiTLS
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
423
392
金融AI编程实战金融AI编程实战
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)。
Jupyter Notebook
75
66
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
511