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#
- 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
)
- 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,
)
- 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。MultiModalRetriever
和SimpleMultiModalQueryEngine
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。