跳至内容

多模态模型#

概念#

大型语言模型(LLMs)是文本输入、文本输出的系统。大型多模态模型(LMMs)将这一概念扩展到文本模态之外。例如,像GPT-4V这样的模型允许您同时输入图像和文本,并输出文本。

我们提供了一个基础的MultiModalLLM抽象类来支持文本+图像模型。注意:这个命名可能会变更!

使用模式#

  1. 以下代码片段展示了如何开始使用LMMs(例如GPT-4V)。
from llama_index.multi_modal_llms.openai import OpenAIMultiModal
from llama_index.core.multi_modal_llms.generic_utils import load_image_urls
from llama_index.core import SimpleDirectoryReader

# load image documents from urls
image_documents = load_image_urls(image_urls)

# load image documents from local directory
image_documents = SimpleDirectoryReader(local_directory).load_data()

# non-streaming
openai_mm_llm = OpenAIMultiModal(
    model="gpt-4-vision-preview", api_key=OPENAI_API_KEY, max_new_tokens=300
)
response = openai_mm_llm.complete(
    prompt="what is in the image?", image_documents=image_documents
)
  1. 以下代码片段展示了如何构建多模态向量存储/索引。
from llama_index.core.indices import MultiModalVectorStoreIndex
from llama_index.vector_stores.qdrant import QdrantVectorStore
from llama_index.core import SimpleDirectoryReader, StorageContext

import qdrant_client
from llama_index.core import SimpleDirectoryReader

# Create a local Qdrant vector store
client = qdrant_client.QdrantClient(path="qdrant_mm_db")

# if you only need image_store for image retrieval,
# you can remove text_store
text_store = QdrantVectorStore(
    client=client, collection_name="text_collection"
)
image_store = QdrantVectorStore(
    client=client, collection_name="image_collection"
)

storage_context = StorageContext.from_defaults(
    vector_store=text_store, image_store=image_store
)

# Load text and image documents from local folder
documents = SimpleDirectoryReader("./data_folder/").load_data()
# Create the MultiModal index
index = MultiModalVectorStoreIndex.from_documents(
    documents,
    storage_context=storage_context,
)
  1. 以下代码片段展示了如何使用多模态检索器和查询引擎。
from llama_index.multi_modal_llms.openai import OpenAIMultiModal
from llama_index.core import PromptTemplate
from llama_index.core.query_engine import SimpleMultiModalQueryEngine

retriever_engine = index.as_retriever(
    similarity_top_k=3, image_similarity_top_k=3
)

# retrieve more information from the GPT4V response
retrieval_results = retriever_engine.retrieve(response)

# if you only need image retrieval without text retrieval
# you can use `text_to_image_retrieve`
# retrieval_results = retriever_engine.text_to_image_retrieve(response)

qa_tmpl_str = (
    "Context information is below.\n"
    "---------------------\n"
    "{context_str}\n"
    "---------------------\n"
    "Given the context information and not prior knowledge, "
    "answer the query.\n"
    "Query: {query_str}\n"
    "Answer: "
)
qa_tmpl = PromptTemplate(qa_tmpl_str)

query_engine = index.as_query_engine(
    multi_modal_llm=openai_mm_llm, text_qa_template=qa_tmpl
)

query_str = "Tell me more about the Porsche"
response = query_engine.query(query_str)

图例

  • ✅ = 应该可以正常工作
  • ⚠️ = 有时不可靠,可能需要进一步调优以提升效果
  • 🛑 = 当前不可用。

端到端多模态工作流#

以下表格展示了使用各种LlamaIndex功能构建您自己的多模态RAG(检索增强生成)的初始步骤。您可以组合不同的模块/步骤来构建您自己的多模态RAG编排。

查询类型 多模态
向量存储/索引的
数据源
多模态
嵌入
检索器 查询
引擎
输出
数据
类型
文本 ✅ 文本 ✅ 文本 ✅ Top-k检索 ✅
简单融合检索 ✅
简单查询引擎 ✅ 检索文本 ✅
生成文本 ✅
图像 ✅ 图像 ✅ 图像 ✅
图像转文本嵌入 ✅
Top-k检索 ✅
简单融合检索 ✅
简单查询引擎 ✅ 检索图像 ✅
生成图像 🛑
音频 🛑 音频 🛑 音频 🛑 🛑 🛑 音频 🛑
视频 🛑 视频 🛑 视频 🛑 🛑 🛑 视频 🛑

多模态LLM模型#

这些笔记本展示了如何利用和集成多模态LLM模型、多模态嵌入、多模态向量存储、检索器、查询引擎来构建多模态检索增强生成(RAG)编排的示例。

多模态
视觉模型
单张
图像
推理
多张
图像
推理
图像
嵌入
简单
查询
引擎
Pydantic
结构化
输出
GPT4V
(OpenAI API)
🛑
GPT4V-Azure
(Azure API)
🛑
Gemini
(谷歌)
🛑
CLIP
(本地主机)
🛑 🛑 🛑 🛑
LLaVa
(replicate)
🛑 🛑 ⚠️
Fuyu-8B
(replicate)
🛑 🛑 ⚠️
ImageBind
[待集成]
🛑 🛑 🛑 🛑
MiniGPT-4
🛑 🛑 ⚠️
CogVLM
🛑 🛑 ⚠️
Qwen-VL
[待集成]
🛑 🛑 ⚠️

多模态向量存储#

下表列出了一些支持多模态用例的向量存储。我们的LlamaIndex内置MultiModalVectorStoreIndex支持为图像和文本嵌入向量存储构建独立的向量存储。MultiModalRetrieverSimpleMultiModalQueryEngine支持文本到文本/图像以及图像到图像的检索,并提供简单的排名融合功能来结合文本和图像检索结果。 | 多模态
向量存储 | 单一
向量
存储 | 多重
向量
存储 | 文本
嵌入 | 图像
嵌入 | | ----------------------------------------------------------------------------------------------------------------------------------------------------------- | ------------------------- | --------------------------- | --------------------------------------------------------- | ------------------------------------------------------- | | LLamaIndex自建
多模态索引
| 🛑 | ✅ | 可使用任意
文本嵌入
(默认为GPT3.5) | 可使用任意
图像嵌入
(默认为CLIP) | | Chroma | ✅ | 🛑 | CLIP ✅ | CLIP ✅ | | Weaviate
[待集成] | ✅ | 🛑 | CLIP ✅
ImageBind ✅ | CLIP ✅
ImageBind ✅ |

多模态LLM模块#

我们支持与GPT4-V、Anthropic(Opus、Sonnet)、Gemini(谷歌)、CLIP(OpenAI)、BLIP(Salesforce)以及Replicate(LLaVA、Fuyu-8B、MiniGPT-4、CogVLM)等平台的集成。

多模态检索增强生成#

我们支持通过不同的多模态LLM与多模态向量存储实现多模态检索增强生成。

评估#

我们支持对多模态LLM和检索增强生成进行基础评估。