Multi-Vector (Late Interaction) Embedding Models with Sentence Transformers

Hugging Face:Blog(RSS)·2026-08-18 08:00·14小时前
Hugging Face:Blog(RSS)
精选
75AI 编辑部评分,满分 100

Multi-Vector (Late Interaction) Embedding Models with Sentence Transformers

2026-08-18 08:00· 14小时前
推荐理由

与同骨干的稠密模型相比,多向量检索在平均 NDCG 上高出约一个点,代价是索引体积增大数十倍,适合需要保留逐词精确匹配的场景。

正文 · AI 翻译

Sentence Transformers 是一个用于使用和训练嵌入向量与重排序模型的 Python 库,适用于检索增强生成、语义搜索等应用场景。在 v6.0 更新中,它新增了第四种模型类型:MultiVectorEncoder,用于 ColBERT 风格的后期交互检索。任何 PyLate 检查点和任何 Stanford-NLP ColBERT 检查点都可以直接加载到其中,同时,用于视觉文档检索的 colpali-engine 模型也可以通过你已熟悉的、用于稠密、稀疏和重排序模型的同一 API 来使用。普通的嵌入模型会将整段文本压缩成一个向量,而多向量模型则为每个 token 保留一个向量,并使用 MaxSim 算子对查询和文档进行评分。这保留了单个向量必须平均掉的 token 级匹配信息,这通常意味着更强的检索能力,但代价是索引更大。它也是视觉文档检索的最先进技术,在这种场景下,文本查询直接与页面图像进行匹配,中间无需 OCR 步骤。

在这篇博客文章中,我们将向你展示如何使用这些模型:加载各种检查点格式、编码和评分、将它们接入搜索栈、在页面图像上运行,以及保持索引成本可控。以下所有内容都只需通过简单的 pip install -U sentence-transformers 即可运行。

目录

  • 什么是多向量模型?

    • MaxSim 算子
    • 你得到什么,以及代价是什么
  • 安装

  • 加载模型

    • 检查检查点配置了什么
  • 编码查询和文档

  • 使用 MaxSim 进行评分

    • 分数量级与 MeanMaxSim
  • 语义搜索

  • 检索与重排序

  • 索引

  • 视觉文档检索

  • 音频检索

  • 视频检索

  • 可解释性

  • Token 池化

  • 加速推理

  • 评估模型

  • 从 PyLate 或 colpali-engine 迁移而来

  • 支持的模型

  • 致谢

  • 其他资源

什么是多向量模型?

稠密嵌入模型读取一段文本,并返回一个固定大小的向量。模型注意到的一切都必须压缩进那 384、768 或 1024 个数字里,而相似度就是两个这样的摘要向量之间的一个点积。这种方法效果非常好,但这种压缩在特定方面是有损的:一个稀有实体、一个精确的标识符,或长段落中一个关键从句,都必须争夺同一个向量里的空间。一个同时包含多个条件的查询也会撞上同样的墙。对于“带木腿和圆润靠垫的绿色沙发”,单个向量必须把全部四个条件融合成一个点,于是腿型不对的绿色沙发最终会和你要的那款在向量空间中挨得很近。

多向量模型(也叫晚期交互或 ColBERT 风格模型,得名于 ColBERT 论文)跳过了这种压缩。它运行同样的 Transformer 架构,但不再把 token 嵌入向量池化成一个向量,而是把每个 token 的嵌入向量投影到一个小维度(经典做法是 128 维),并保留全部向量。一个 9 个 token 的文档就变成一个 9x128 的矩阵,而不是一个 1x128 的向量。

查询与文档之间的交互被推迟到打分阶段才进行,这正是“晚期交互”这个名字的由来。交叉编码器是早期交互:两段文本一起通过模型,这样很准确,但没有任何可以预计算的内容,因为每个文档都必须针对每个新查询重新编码。双编码器——也就是上面说的稠密嵌入模型——几乎不交互(两个现成摘要之间做一个点积),而这恰恰让你可以一次性编码整个语料库并快速查询。晚期交互介于两者之间:文档仍然独立编码,可以离线建索引,但打分时会拿每个查询 token 与每个文档 token 进行比较,给两者之间留出了大得多的交互空间。

Image 10: Dense embedding versus multi-vector late interaction: a dense model encodes each text into one vector and scores with cosine similarity, while a multi-vector model keeps one vector per token and scores every query token against every document token with MaxSim

MaxSim 算子

打分使用 MaxSim:对于每个查询 token,取它与任意文档 token 的最高相似度,然后将这些最大值在查询范围内求和。

$$ \text{MaxSim} \left(\right. Q , D \left.\right) = \underset{Q_{i} \in Q}{\sum} \underset{D_{j} \in D}{max ⁡} Q_{i} \cdot D_{j} $$

MaxSim(Q,D)=Q i​∈Q∑​D j​∈D max​Q i​⋅D j​

由于 token 嵌入向量经过了 L2 归一化,这些点积中的每一个都是 [-1, 1] 范围内的余弦相似度,因此整个求和结果落在 [-num_query_tokens, num_query_tokens] 区间内。

你可以把这个算子理解为一种软对齐:每个查询 token 都指向最能解释它的那一个文档 token,而得分则衡量文档对查询的整体支持程度。

这种对齐不一定是词面上的,因为 token 嵌入向量是上下文相关的。用 lightonai/mLateOn 将“企鹅生活在哪里?”与“企鹅栖息在南极洲。”进行编码,查询 token “live” 会在 “inhabit” 上找到最佳匹配,相似度达到 0.94,而这两个词没有任何共同字符!这正是词法检索做不到的事情,BM25 及其同类算法需要词条本身出现,因此同义词和改写表述会从它们眼皮底下溜走。当然,稠密嵌入模型也能弥合这一差距。晚期交互(late interaction)带来的额外优势在于,它在做到这一点的同时,并没有放弃另一个方向:当精确匹配至关重要时(比如产品代码、姓氏、函数名),MaxSim 仍然能让那个 token 独立存在,而单向量模型则不得不把它与其他所有信息平均在一起。它也不是一对一的,因为多个查询 token 通常会落在同一个文档 token 上。

你得到什么,以及代价是什么

你得到的是检索质量的提升,尤其是在以下场景中:查询的相关性取决于文档中某一个特定片段时;在像上面沙发那样的多条件查询中,每个条件都能找到自己的证据时;以及在领域外数据上,稠密模型的压缩是针对不同分布调优的。这种压缩是从训练查询中学习到的,因此模型学会了保留训练查询所需的信息而丢弃其余部分,而丢弃的部分可能恰恰是你的生产环境查询所关心的内容。这种效应会随着文档长度的增加而增强,因为更多的文本必须被压缩进同样大小的固定向量中。

代价是索引大小。每个 token 一个向量,而不是每个文档一个向量,这意味着向量数量要多得多,而较小的维度只能部分抵消这一影响。用 lightonai/LateOn 对 4,874 条 Natural Questions 段落进行编码,产生了 608,414 个 token 向量,平均每个段落 124.8 个:

表示方式 向量数量 维度 float32 大小
稠密向量,all-MiniLM-L6-v2 4,874 384 7.5 MB
稠密向量,gte-modernbert-base 4,874 768 15.0 MB
多向量,LateOn 608,414 128 311.5 MB

这大约是 MiniLM 索引存储量的 42 倍,即每个段落 62 KiB。不过,索引通常会被压缩,例如同样的 608,414 个向量在 fast-plaid 索引下仅占 92 MB,因为 PLAID 存储的是每个向量的质心 ID 加量化残差,而非向量本身。作为参照,像 Qwen3-Embedding-8B 这样的 4096 维稠密模型,处理同样的 4,874 个段落大约需要 80 MB,因此压缩后的多向量索引与人们已经在运行的稠密索引处于同一量级。Token Pooling 能在这一切之前削减向量数量,而 Retrieve and Rerank 则完全无需构建索引。

PyLate 在这篇文章中反复出现,简单说明一下:Sentence Transformers 支持稠密和稀疏模型,但不支持后期交互,因此 LightOn 在其基础上构建了 PyLate 来填补这一空白,增加了这些模型所需的训练、推理和检索组件。下面你将加载的大部分内容都是用 PyLate 训练的,而且 LightOn 还围绕它构建了一个生态系统,包括 fast-plaid——即索引部分提到的后期交互索引。在 v6.0 版本中,这些能力已直接集成到 Sentence Transformers 中。

在了解了这些权衡之后,让我们来运行一个模型。

安装

多向量模型通过常规安装即可使用:

pip install -U sentence-transformers

对于 ColPali 风格的视觉文档检索,你还需要图像依赖项(所有附加项请参阅安装文档,多模态支持总体情况请参阅多模态嵌入与重排序模型文档):

pip install -U "sentence-transformers[image]"

Sentence Transformers v6.0 需要 transformers v5.x、torch 2.2+ 和 huggingface-hub v1.x。如果你将其中任何一个版本固定得更低,请先规划升级。完整的破坏性变更列表请参阅迁移指南。

加载模型

加载多向量模型与加载任何其他 Sentence Transformers 模型完全一样:

from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder("lightonai/LateOn")

要找到可用的模型,请在 Hub 上查找 multi-vector 和 sentence-transformers 标签。任何带有这些标签的模型都可以用上面那行代码加载,无论它最初是 PyLate 检查点、Stanford-NLP ColBERT 检查点,还是用于视觉文档检索的 ColPali 系列模型。我们正在整个生态系统中推进,把该标签添加到所有可用的模型上,所以这个列表会不断增长。

在底层,MultiVectorEncoder 会读取这些检查点历年来发布时所用的各种格式,因此即使某些检查点尚未添加标签,PyLate 和 Stanford-NLP 检查点也能直接加载:

from sentence_transformers import MultiVectorEncoder

# Native Sentence Transformers checkpoints. PyLate builds on the same schema,
# so any PyLate checkpoint loads identically
model = MultiVectorEncoder("lightonai/LateOn")
model = MultiVectorEncoder("mixedbread-ai/mxbai-edge-colbert-v0-17m")
model = MultiVectorEncoder("LiquidAI/LFM2.5-ColBERT-350M", trust_remote_code=True)

# Any Stanford-NLP ColBERT checkpoint, detected via the `HF_ColBERT` architecture
# marker. The inline projection weight and the recipe come from `artifact.metadata`
model = MultiVectorEncoder("colbert-ir/colbertv2.0")
model = MultiVectorEncoder("answerdotai/answerai-colbert-small-v1")

# A bare transformer: a fresh random projection is appended, so training is required
model = MultiVectorEncoder("answerdotai/ModernBERT-base")

视觉文档检索模型是个例外。ColPali 系列检查点以 colpali-engine 自己的格式发布,这种格式不携带 Sentence Transformers 可用的任何信息,因此每个模型都需要在其仓库中添加一个小型配置后才能加载。这部分工作大部分已经完成,正在等待合并。请参阅 Supported Models 了解当前状态以及现在如何加载它们。

检查检查点配置了什么

多向量模型带有若干因检查点而异的配方参数:查询和文档的标记前缀、长度上限、查询是否用 [MASK] token 填充,以及评分文档时跳过哪些 token。所有这些都存放在模块配置中,因此 print(model) 可以精确显示你加载的内容。下面是原始的 ColBERTv2 检查点,它将每个查询填充到恰好 32 个 token,并将文档截断到 180:

from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder("colbert-ir/colbertv2.0")
print(model)
"""
MultiVectorEncoder(
  (0): Transformer({..., 'document_length': 180,
                    'query_expansion': {'strategy': 'fixed', 'attend': False, 'token': None, 'length': 32}})
  (1): Dense({'in_features': 768, 'out_features': 128, 'bias': False, ...})
  (2): MultiVectorMask({'skiplist_words': ['!', '"', '#', ...], 'skiplist_tasks': ['document'], ...})
  (3): Normalize({...})
)
"""
print(model.prompts)
# {'query': '[unused0] ', 'document': '[unused1] '}

这就是经典的 ColBERT 流程:一个生成上下文相关 token 嵌入向量的 Transformer、一个将每个 token 投影到 128 维的 token 级 Dense 层、一个在评分时决定哪些 token 计入的 MultiVectorMask,以及一个 token 级 Normalize 层。其他检查点会填入不同的值。lightonai/GTE-ModernColBERT-v1 使用相同的四个模块,带有 [Q] 和 [D] 提示词,不进行查询扩展,上限分别为 48 和 300。

你通常不需要改动这些设置,因为每个发布的检查点都会配置好自身的参数。只有在从裸骨干网络构建模型时才需要关注这一点,相关内容在 Creating Custom Models 中有介绍。

不过,有一个数值值得用你自己的数据来检验一下。`document_length` 会进行截断,因此超过该长度的任何内容都不会进入索引。例如,一段 662 个 token 的文本,经过 LateOn 的 300 上限截断后,会返回 273 个向量,而该文本的其余部分则直接丢失。这些检查点中的大多数都是在短文本上训练的,因此如果你的分块长度超过上限,你可以通过 `encode_document(..., processing_kwargs={"text": {"max_length": 512}})` 在单次调用中提升该上限,但请记住,你是在让模型运行超出其训练长度,并且索引大小也会大致按比例增长。多向量模型通常能很好地容忍这种情况。在 MLDR(一个长文档检索基准)上,上述这对模型的多语言版本清晰地展示了这一差距:mLateOn 得分为 77.92,而 mDenseOn 得分为 51.59。

编码查询与文档

多向量模型是不对称的:查询和文档经过不同的前缀、不同的长度上限以及不同的评分掩码。与许多密集模型(其中两者可以互换)不同,要获得正确的嵌入向量,必须使用 `encode_query()` 和 `encode_document()`:

from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder("lightonai/mLateOn")

queries = ["What is the capital of France?"]
documents = [
    "Paris is the capital of France.",
    "Berlin is the capital and largest city of Germany, by both area and population.",
]

query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)

print(query_embeddings[0].shape)
# (10, 128)
print(document_embeddings[0].shape, document_embeddings[1].shape)
# (10, 128) (19, 128)

注意你得到的结果:一个 2D 张量列表,每个输入对应一个,每个张量的形状为 (num_tokens, embedding_dim)。与密集嵌入不同,你不能将这些张量堆叠成一个矩形张量,因为每个输入都有自己独立的 token 数量。第二个文档比第一个长,因此它返回的矩阵会更高。

每次调用都会应用模型自身的处理方式。`encode_query` 会添加查询标记,如果检查点要求,会将查询扩展到固定长度,并将其限制在查询长度内。`encode_document` 会添加文档标记,将其限制在文档长度内,并从评分掩码中丢弃任何跳过的 token(对于大多数检查点,即标点符号)。

通常的 `encode()` 参数仍然全部适用,因此 `batch_size`、`show_progress_bar`、`convert_to_tensor`、`device` 和多进程池的工作方式都符合你的预期:

document_embeddings = model.encode_document(
    documents,
    batch_size=64,
    convert_to_tensor=True,
    show_progress_bar=True,
)

使用 MaxSim 进行评分

`model.similarity()` 计算完整的全对 MaxSim 矩阵:

from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder("lightonai/LateOn")

query_embeddings = model.encode_query(["Which planet is known as the Red Planet?"])
document_embeddings = model.encode_document([
    "Venus is often called Earth's twin because of its similar size and proximity.",
    "Mars, known for its reddish appearance, is often referred to as the Red Planet.",
    "Jupiter, the largest planet in our solar system, has a prominent red spot.",
    "Saturn, famous for its rings, is sometimes mistaken for the Red Planet.",
])

scores = model.similarity(query_embeddings, document_embeddings)
print(scores)
# tensor([[10.7942, 11.1104, 10.9743, 11.0811]])

火星获胜,实至名归。注意亚军之间的差距有多小:土星也包含字面短语“红色星球”,而木星是一颗有红斑的行星,因此一个基于 token 级别的算子在这三者身上都有大量可抓住的特征。排序才是关键。

分数往往如此接近,正如 GLInt 通过测量整个候选池的分数分布所展示的那样。MaxSim 对每个查询 token 取最大值,因此一个文档通常会给每个查询 token 一个不错的最高匹配,分数从一个基础值起步。上下文相关的 token 嵌入向量也是各向异性的,它们聚集在一个狭窄的锥形区域内而非分散开来,所以即使是任意的 token 对也倾向于获得高分。

还有 `model.similarity_pairwise()`,适用于当你已经拥有匹配好的配对、只想要配对分数而非完整相似度矩阵的情况:

scores = model.similarity_pairwise(query_embeddings, document_embeddings[:1])
print(scores)
# tensor([10.7942])

分数量级与 MeanMaxSim

MaxSim 对查询 token 求和,因此其量级随查询 token 数量而变化,这意味着你无法比较使用不同查询处理方式的不同模型之间的分数。LateOn 将上述“红色星球”查询编码为 12 个 token。将同样的查询和同样的文档通过 ColBERTv2 运行——该模型会将每个查询填充并截断到恰好 32 个 token——分数就会落在一个完全不同的区间:

model = MultiVectorEncoder("colbert-ir/colbertv2.0")
# ... same encode_query / encode_document / similarity calls ...
print(scores)
# tensor([[12.7970, 27.1945, 23.8495, 24.5656]])

在同一个模型内部,排序就是你所需要的全部;但如果你想要一个有界范围内的分数,可以将模型的相似度函数切换为 MeanMaxSim,它会除以查询 token 数量。回到 LateOn 上:

model = MultiVectorEncoder("lightonai/LateOn", similarity_fn_name="meanmaxsim")
# or on an already-loaded model: model.similarity_fn_name = "meanmaxsim"

print(model.similarity(query_embeddings, document_embeddings))
# tensor([[0.8995, 0.9259, 0.9145, 0.9234]])

现在每个分数都是 [-1, 1] 范围内的平均余弦相似度,尽管在实践中你只会看到 [0, 1]。

语义搜索

如果你的语料库很小,对整个语料库进行穷举式 MaxSim 是最简单且有效的做法。先对整个语料库进行一次编码,然后对每个查询与所有内容进行打分:

import time

from datasets import load_dataset

from sentence_transformers import MultiVectorEncoder

dataset = load_dataset("sentence-transformers/natural-questions", split="train[:5000]")
# Several questions share an answer passage, so drop repeats but keep the order
corpus = list(dict.fromkeys(dataset["answer"]))  # 5,000 rows -> 4,874 passages

model = MultiVectorEncoder("lightonai/LateOn")
corpus_embeddings = model.encode_document(corpus, convert_to_tensor=True, show_progress_bar=True)

query = "when did richmond last play in a preliminary final"
start = time.perf_counter()
query_embeddings = model.encode_query([query], convert_to_tensor=True)
scores = model.similarity(query_embeddings, corpus_embeddings)[0]  # 98ms
top_scores, top_indices = scores.topk(3)
print(f"Search took {(time.perf_counter() - start) * 1000:.1f}ms")

for score, index in zip(top_scores.tolist(), top_indices.tolist()):
    print(f"{score:.4f}  {corpus[index][:100]}")
"""
Search took 122.7ms
11.9192  Richmond Football Club Richmond began 2017 with 5 straight wins, a feat it had not achieved
11.7591  2017 AFL Grand Final The 2017 AFL Grand Final was an Australian rules football game contest
11.6710  Battle of Appomattox Court House The Battle of Appomattox Court House (Virginia, U.S.), fou
"""

那 4,874 个段落在一张 RTX 3090 上用 20 秒完成编码,每次搜索端到端大约耗时 120ms,其中大部分时间花在针对全部 608,414 个 token 向量进行 MaxSim 打分上。这是精确的,但它随语料库总 token 数线性扩展,并且需要将所有 token 向量保留在内存中,所以当你拥有几千篇文档而非几百万篇时再使用它。此脚本的可运行版本是 `semantic_search.py`。

超过这个规模,你就需要一个真正的后期交互索引,而 Sentence Transformers 并不自带这种能力。它也不需要自带:这类索引存储的是 encode_document 产生的任何输出,所以你在这里完成编码,然后把 token 嵌入向量交给专门为它们构建的工具。索引部分为其中四种方案提供了可运行的代码片段,下面紧接着的一节则介绍如何完全跳过索引。

检索与重排

你也可以在不维护后期交互索引的情况下获得后期交互质量,方法是使用多向量模型作为重排器。一个快速的双编码器先把大规模语料库缩小到少量候选结果,然后多向量模型只对这些候选结果重新打分:

from datasets import load_dataset

from sentence_transformers import MultiVectorEncoder, SentenceTransformer
from sentence_transformers.util import semantic_search

dataset = load_dataset("sentence-transformers/natural-questions", split="train[:50000]")
corpus = list(dict.fromkeys(dataset["answer"]))

retriever = SentenceTransformer("jinaai/jina-embeddings-v5-text-nano-retrieval")
reranker = MultiVectorEncoder("perplexity-ai/pplx-embed-v1-late-0.6b", trust_remote_code=True)

# First stage: index the corpus once with a fast bi-encoder
corpus_embeddings = retriever.encode_document(corpus, convert_to_tensor=True, show_progress_bar=True)

# Retrieve the top 50
query = "when did richmond last play in a preliminary final"
hits = semantic_search(retriever.encode_query([query], convert_to_tensor=True), corpus_embeddings, top_k=50)[0]
candidates = [corpus[hit["corpus_id"]] for hit in hits]

# Second stage: rescore just those candidates with MaxSim
query_embeddings = reranker.encode_query([query])
document_embeddings = reranker.encode_document(candidates)
scores = reranker.similarity(query_embeddings, document_embeddings)[0]

for index in scores.argsort(descending=True)[:3].tolist():
    print(f"{scores[index].item():.4f}  {candidates[index][:100]}")

只有这 50 个候选结果会被编码为多向量,所以你的索引仍然是普通的稠密索引,token 向量只是临时存在的。这与交叉编码器在检索-重排架构中扮演的角色相同,但多向量模型对每个候选结果的处理成本要低得多。你可以一次性批量编码文档,然后用矩阵乘法进行打分,而不是对每个查询-文档对都做一次前向传播。可运行的脚本是 retrieve_rerank.py,它会打印两个阶段的耗时。

索引

有几个向量数据库原生支持多向量的索引和打分:Qdrant 自 v1.10 起、Weaviate 自 v1.29 起、Vespa 已经支持多年、LanceDB 自 v0.15.0 起,以及 VectorChord——它为 Postgres 增加了 MaxSim 算子,这是普通 pgvector 所不具备的。Milvus 在 v2.6.4 版本中加入了这个行列,采用的是结构体数组的形式,而不是它所谓的“多向量搜索”这一不相关的功能。如果你完全不想运行服务器,LightOn 的 fast-plaid 只需 pip install 即可安装,它直接实现了 PLAID 算法,而 PyLate 则把它封装在更完整的检索栈中。

还有几个方案只能实现部分功能。OpenSearch 和 Elasticsearch 可以用 MaxSim 对候选结果进行重新打分,但不能基于它进行检索,而且 Elasticsearch 的这个功能还处于技术预览阶段,并且仅限企业版。turbopuffer 的后期交互索引目前处于私有测试阶段。

以下片段索引的是文本,但其中没有任何内容是文本特有的。encode_document 返回的是同一组 token 向量矩阵,无论文档是段落、页面图像、音频片段还是视频,因此来自视觉文档检索的 ColPali 风格模型可以原封不动地用于所有这些场景。只是每个文档的向量更多,这正是 Token Pooling 在这些场景中更值得尽早采用的原因。

fast-plaid、Qdrant、Weaviate 和 Vespa 都能直接接收 encode_document 返回的内容,因此代码在客户端库之前是完全相同的。以下是针对每个方案的可用代码片段,均基于语义搜索示例中的 4,874 个段落和 608,414 个 token 向量运行。每个片段都附带了在一台机器(RTX 3090、i7-13700K)上产生的摄取和查询耗时,除代码所示内容外未做任何调优,以便让读者了解工作的大致形态。这四个方案回答查询的速度都快于该节中 model.similarity 的 98 毫秒,其中三个在 CPU 上完成,因为 fast-plaid 是这里唯一使用 GPU 的方案。

这四个方案返回了相同的三个段落,顺序也与本文前面穷举式 PyTorch MaxSim 的结果一致,而且三个数据库将其得分复现到了小数点后四位!这是因为它们的代码片段对每个文档都进行评分,在此规模下成本可承受,并且消除了近似计算这一变量。fast-plaid 在设计上就是近似算法,因此其得分略有不同。每个方案下方的注释说明了切换到近似索引后会发生哪些变化,而排名正是从那里开始出现偏差的。

fast-plaid fast-plaid 是 LightOn 对 PLAID 的 Rust 实现,而 PLAID 正是 ColBERT 最初所基于的索引。它无需启动服务器,并且可以直接读取 encode_document 返回的张量,无需任何转换。

# pip install sentence-transformers datasets fast-plaid
from datasets import load_dataset
from fast_plaid import search
from sentence_transformers import MultiVectorEncoder

dataset = load_dataset("sentence-transformers/natural-questions", split="train[:5000]")
corpus = list(dict.fromkeys(dataset["answer"]))
model = MultiVectorEncoder("lightonai/LateOn")
query = "when did richmond last play in a preliminary final"

document_embeddings = model.encode_document(corpus, batch_size=32, convert_to_tensor=True)
query_embedding = model.encode_query(query, convert_to_tensor=True)

fast_plaid = search.FastPlaid(index="natural-questions", device="cuda")

# 4,874 documents (608,414 token vectors) indexed in 5s
fast_plaid.create(documents_embeddings=document_embeddings)

results = fast_plaid.search(queries_embeddings=query_embedding.unsqueeze(0), top_k=3)  # 11ms

for index, score in results[0]:
    print(f"{score:.4f}  {corpus[index][:90]}")
"""
11.8828  Richmond Football Club Richmond began 2017 with 5 straight wins, a feat it had not achieve
11.7676  2017 AFL Grand Final The 2017 AFL Grand Final was an Australian rules football game contes
11.6758  Battle of Appomattox Court House The Battle of Appomattox Court House (Virginia, U.S.), fo
"""

index 参数是一个目录,而不仅仅是一个标签,因此索引在构建时就会写入磁盘。将新的 FastPlaid 指向同一路径即可重新打开该索引进行搜索或添加更多文档,而无需每次都从嵌入向量重新构建。在此语料库上,它占用 92 MB,而原始 float32 向量占用 311.5 MB。

这是四个方案中唯一一个近似计算,也是本节中分数与详尽 MaxSim 不完全一致的地方。PLAID 使用质心进行剪枝并存储量化残差,因此这三个分数与之前计算的 11.9192 / 11.7591 / 11.6710 相比,会在两个方向上产生百分之几的偏差。这里的排名不受影响,而这正是 PLAID 所做的权衡:它专为远大于此的语料库而设计,在那种规模下,扫描全部内容是不可行的。

Qdrant Qdrant 需要服务器:`docker run -p 6333:6333 qdrant/qdrant`。客户端也有本地模式(`QdrantClient(":memory:")`),无需服务器即可运行,但它是纯 Python 的重新实现,因此适合用来试用功能,而不是用来进行计时测试。

# pip install sentence-transformers datasets qdrant-client
from datasets import load_dataset
from qdrant_client import QdrantClient, models
from sentence_transformers import MultiVectorEncoder

dataset = load_dataset("sentence-transformers/natural-questions", split="train[:5000]")
corpus = list(dict.fromkeys(dataset["answer"]))
model = MultiVectorEncoder("lightonai/LateOn")
query = "when did richmond last play in a preliminary final"

document_embeddings = model.encode_document(corpus, batch_size=32)
query_embedding = model.encode_query(query)

client = QdrantClient("http://localhost:6333")
client.create_collection(
    collection_name="natural-questions",
    vectors_config=models.VectorParams(
        size=model.get_embedding_dimension(),
        distance=models.Distance.COSINE,
        multivector_config=models.MultiVectorConfig(
            comparator=models.MultiVectorComparator.MAX_SIM
        ),
        # MaxSim never walks the HNSW graph, so skip building one
        hnsw_config=models.HnswConfigDiff(m=0),
    ),
)

# 4,874 documents (608,414 token vectors) ingested in 26.3s
client.upload_points(
    collection_name="natural-questions",
    points=[
        models.PointStruct(id=idx, vector=embedding, payload={"text": text})
        for idx, (embedding, text) in enumerate(zip(document_embeddings, corpus))
    ],
    batch_size=64,
)

results = client.query_points(
    collection_name="natural-questions",
    query=query_embedding,
    limit=3,
    with_payload=True,
).points  # 18ms

for result in results:
    print(f"{result.score:.4f}  {result.payload['text'][:90]}")
"""
11.9192  Richmond Football Club Richmond began 2017 with 5 straight wins, a feat it had not achieve
11.7591  2017 AFL Grand Final The 2017 AFL Grand Final was an Australian rules football game contes
11.6710  Battle of Appomattox Court House The Battle of Appomattox Court House (Virginia, U.S.), fo
"""

MAX_SIM 是 Qdrant 提供的唯一比较器,而 `hnsw_config=HnswConfigDiff(m=0)` 是他们针对后期交互字段的建议,因为这些向量用于重新评分而非图遍历。请注意,Qdrant 官方建议将后期交互保留用于对几百个候选结果进行重排,而不是扫描整个集合,这也就是“检索后重排”(Retrieve and Rerank)模式。在 4,874 篇文档的规模下,全量扫描耗时 18 毫秒且结果精确,但这个结果不能外推到更大规模。

Weaviate Weaviate 也需要服务器:`docker run -p 8080:8080 -p 50051:50051 cr.weaviate.io/semitechnologies/weaviate:1.34.0`。多向量支持需要 1.29 或更高版本,且嵌入式模式在 Windows 上不可用。

# pip install sentence-transformers datasets weaviate-client
import weaviate
from datasets import load_dataset
from sentence_transformers import MultiVectorEncoder
from weaviate.classes.config import Configure, DataType, Property
from weaviate.classes.query import MetadataQuery

dataset = load_dataset("sentence-transformers/natural-questions", split="train[:5000]")
corpus = list(dict.fromkeys(dataset["answer"]))
model = MultiVectorEncoder("lightonai/LateOn")
query = "when did richmond last play in a preliminary final"

document_embeddings = model.encode_document(corpus, batch_size=32)
query_embedding = model.encode_query(query)

client = weaviate.connect_to_local()
collection = client.collections.create(
    "Documents",
    # self_provided turns on MaxSim late interaction
    vector_config=[Configure.MultiVectors.self_provided(name="colbert")],
    properties=[Property(name="text", data_type=DataType.TEXT)],
)

# 4,874 documents (608,414 token vectors) ingested in 41s
with collection.batch.fixed_size(batch_size=64) as batch:
    for text, embedding in zip(corpus, document_embeddings):
        batch.add_object(properties={"text": text}, vector={"colbert": embedding.tolist()})

results = collection.query.near_vector(
    near_vector=query_embedding.tolist(),
    target_vector="colbert",
    limit=3,
    return_metadata=MetadataQuery(distance=True),
)  # 17ms

for result in results.objects:
    # Weaviate reports the MaxSim score as a negated distance
    print(f"{-result.metadata.distance:.4f}  {result.properties['text'][:90]}")
"""
11.9192  Richmond Football Club Richmond began 2017 with 5 straight wins, a feat it had not achieve
11.7591  2017 AFL Grand Final The 2017 AFL Grand Final was an Australian rules football game contes
11.6710  Battle of Appomattox Court House The Battle of Appomattox Court House (Virginia, U.S.), fo
"""

client.close()

这里使用默认配置就足够了:Weaviate 的动态 ef 在 top-3 查询中解析为 100,而该排名从大约 32 起就已经是精确的了。这个余量是嵌入向量本身的特性,而非 Weaviate 的特性,因此建议在你自己的模型上确认这一点,而不是假设默认配置始终成立。

Weaviate 还支持 MUVERA 编码,在我们的测试中,这使得数据摄入速度提升了 3 倍,查询速度提升了 1.8 倍。但在当前规模下,它损失的精度远超速度提升带来的价值:正确的第三段文本甚至没有出现在其前 50 名结果中。

Vespa Vespa 同样在容器中运行,但 pyvespa 会自动为你启动它,因此无需单独执行 docker run。

# pip install sentence-transformers datasets pyvespa
from datasets import load_dataset
from sentence_transformers import MultiVectorEncoder
from vespa.deployment import VespaDocker
from vespa.package import (
    ApplicationPackage, Document, Field, FirstPhaseRanking, Function, RankProfile, Schema,
)

dataset = load_dataset("sentence-transformers/natural-questions", split="train[:5000]")
corpus = list(dict.fromkeys(dataset["answer"]))
model = MultiVectorEncoder("lightonai/LateOn")
query = "when did richmond last play in a preliminary final"

document_embeddings = model.encode_document(corpus, batch_size=32)
query_embedding = model.encode_query(query)

# "dt" is a mapped dimension over the variable token count, "x" the dense 128-dim vector
package = ApplicationPackage(
    name="colbert",
    schema=[
        Schema(
            name="doc",
            document=Document(fields=[
                Field(name="text", type="string", indexing=["summary"]),
                Field(name="colbert", type="tensor<float>(dt{}, x[128])", indexing=["attribute"]),
            ]),
            rank_profiles=[
                RankProfile(
                    name="colbert",
                    inputs=[("query(qt)", "tensor<float>(qt{}, x[128])")],
                    functions=[Function(
                        name="max_sim",  # per query token take the best document token, then sum
                        expression="sum(reduce(sum(query(qt) * attribute(colbert), x), max, dt), qt)",
                    )],
                    first_phase=FirstPhaseRanking(expression="max_sim"),
                )
            ],
        )
    ],
)
app = VespaDocker(port=8080).deploy(application_package=package)  # ~40s to boot

# Vespa reads a mixed tensor as {token index: vector}, for documents and queries alike
def to_tensor(embedding):
    return {str(token): vector for token, vector in enumerate(embedding.tolist())}

# 4,874 documents (608,414 token vectors) ingested in ~80s
app.feed_iterable(
    ({"id": str(idx), "fields": {"text": text, "colbert": to_tensor(embedding)}}
     for idx, (text, embedding) in enumerate(zip(corpus, document_embeddings))),
    schema="doc",
)

response = app.query(body={
    "yql": "select text from doc where true",
    "ranking.profile": "colbert",
    "hits": 3,
    "input.query(qt)": to_tensor(query_embedding),
})  # ~75ms warm, ~115ms on the first call

for hit in response.hits:
    print(f"{hit['relevance']:.4f}  {hit['fields']['text'][:90]}")
"""
11.9192  Richmond Football Club Richmond began 2017 with 5 straight wins, a feat it had not achieve
11.7591  2017 AFL Grand Final The 2017 AFL Grand Final was an Australian rules football game contes
11.6710  Battle of Appomattox Court House The Battle of Appomattox Court House (Virginia, U.S.), fo
"""

Vespa 是这四个方案中要求最前置结构的,因为你声明的是一个排序流水线,而不仅仅是一个索引。作为回报,你可以把 MaxSim 写成张量表达式,并精确看到它计算的内容。这个版本把 MaxSim 放在第一阶段,对全部 4,874 篇文档打分,因此输出与穷举式 MaxSim 完全一致。这刻意不是 Vespa 在大规模场景下的推荐做法:他们的 ColBERT 示例应用存储 int8 二值化向量,并把 MaxSim 移到第二阶段,对更廉价的第一阶段结果进行重排。

切换到这种分阶段设置需要谨慎:默认情况下,第二阶段只对最优的 100 个候选重新打分,而在这里,这个窗口导致三个正确段落中有两个完全未被评分。提高重排数量以覆盖你的候选集可以解决这个问题,不过在这个规模下,分阶段版本仍然比直接扫描全部内容更慢。

视觉文档检索

晚期交互是视觉文档检索的最先进技术:将文本查询与页面图像匹配,图表、表格和布局完整保留,且无需 OCR 步骤。这正是 ColPali 系列模型所做的,这些检查点通过相同的 API 加载和运行,修订版本固定了添加该模型 Sentence Transformers 配置的开放拉取请求(受支持模型中有完整列表)。图像文档以 URL、本地路径或 PIL 图像的形式传入:

from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder("vidore/colqwen2.5-v0.2")

queries = [
    "What is the variable represented on the y-axis of the graph?",
    "Total outlay is maximum in which year?",
]
images = [
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc1.jpg",
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc2.jpg",
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc3.jpg",
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/doc4.jpg",
]

query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(images)
print(query_embeddings[0].shape, document_embeddings[0].shape)
# (25, 128) (755, 128)

scores = model.similarity(query_embeddings, document_embeddings)
print(scores)
# tensor([[13.8672, 12.3115, 12.1670, 11.0293],
#         [ 7.2012, 14.7207,  6.9414,  6.9746]])

每个查询检索到各自的页面(对角线),第二个查询的区分度比第一个清晰得多,因为四个页面中只有一个涉及随时间变化的支出。

代码没有变化。底层上,处理器处理视觉提示词和图像块,MaxSim 对查询文本 token 与文档图像块进行评分。一个页面包含许多独立区域,这正是晚期交互在这里如此自然契合的原因,因为单个向量必须把图表、表格和三个段落平均成一个摘要。不过,这种保真度会消耗索引空间。上面的形状是一个页面的 755 个 token 向量对比查询的 25 个 token,而之前 Natural Questions 的一个段落平均约 125 个,因此在这里,token 池化比文本场景更值得提前采用。

这些是视觉语言模型(VLM),所以要为它们所需的内存做好规划。Supported Models 表格中的参数规模从 252M 到 8.8B 不等,其中小规模的模型在 CPU 上依然实用,而数十亿参数的大模型则不行。

页面图像是常见情况,但并非唯一的非文本模态。Sentence Transformers 支持文本、图像、音频和视频,而某个检查点支持其中哪些模态取决于其处理器,这一点可通过 model.modalities 查看。单个文档也可以组合多种模态,方法是传入一个字典(如 {"text": ..., "image": ...})来代替单一值。Multimodal Embedding & Reranker Models 更全面地介绍了 Sentence Transformers 中的多模态模型,Usage 文档则明确列出了每种模态接受的具体输入格式。

音频检索

vidore/colqwen-omni-v0.1 基于 Qwen2.5-Omni 构建,支持全部四种模态。用它检索一段录制的对话与检索页面一样,只需两次调用:

# pip install -U "sentence-transformers[audio,video]"
import torch
from datasets import Audio, load_dataset

from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder(
    "vidore/colqwen-omni-v0.1",
    model_kwargs={"dtype": torch.bfloat16},
)
print(model.modalities)
# ['text', 'image', 'audio', 'video', 'message']

# 20 recorded conversations, averaging 28 seconds each
dataset = load_dataset("eustlb/dailytalk-conversations-grouped", split="train[:20]")
dataset = dataset.cast_column("audio", Audio(sampling_rate=16_000))
audio = [row["array"] for row in dataset["audio"]]  # raw mono waveforms, float32 at 16 kHz

query_embeddings = model.encode_query(["medicine for car nausea"])
document_embeddings = model.encode_document(audio, batch_size=2)
scores = model.similarity(query_embeddings, document_embeddings)[0]

top_scores, top_indices = scores.topk(3)
for score, index in zip(top_scores.tolist(), top_indices.tolist()):
    print(f"{score:.4f}  {' / '.join(dataset[index]['texts'][:2])}")
"""
50.8902  Excuse me? Do you have anything for a carsickness? / Yes, but you look fine.
46.1028  Excuse me, could you tell me where you have got that music book? / Certainly. Let me see. Oh, it's on that shelf.
46.0514  Jeff, I'm going to the supermarket. Do you want to come with me? / I think the supermarket is closed now.
"""

ColQwen-Omni 纯粹在图像-文本对上训练,因此它的音频检索是零样本的:它从未听过训练样本,整个流程中也没有任何转写步骤。查询词说的是“恶心”(nausea),而录音里说的是“晕车”(carsickness),它依然能从二十段对话中大幅领先地选出药房那段对话。

视频检索

视频的工作方式相同,但需要对帧进行采样,否则会耗尽你的显存。其发布博客文章对此直言不讳,称视频“非常消耗内存,因此最适合短视频片段”:

import torch

from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder(
    "vidore/colqwen-omni-v0.1",
    model_kwargs={"dtype": torch.bfloat16},
)

# Sparse, low-resolution frames: 0.5 fps rather than the full frame rate
model[0].processing_kwargs.update(
    {"video": {"max_pixels": 32 * 28 * 28, "do_sample_frames": True, "fps": 0.5}}
)

query_embeddings = model.encode_query(["How to cook Mapo Tofu?"])
document_embeddings = model.encode_document([
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/mapo_tofu.mp4",
    "https://huggingface.co/datasets/sentence-transformers/example-documents/resolve/main/zhajiang_noodle.mp4",
], batch_size=1)
print(model.similarity(query_embeddings, document_embeddings))
# tensor([[53.3100, 51.0561]])

在 1 fps 和全分辨率下,同样的两段视频会产生 8,426 和 5,137 个 token 向量,峰值显存占用达 20.8 GB;而这里(采样后)只有 4,240 和 2,446 个向量,显存占用 12.5 GB,该模型本身占用 9.0 GB。两种方式的排序结果完全一致。长音频也需要同样的处理,发布博客文章建议使用 30 秒的片段,每段大约对应 800 个 token。

可解释性

由于 MaxSim 是每个查询 token 最大值的总和,因此排序可以被精确分解:文档分数的每一个点都归属于一个查询 token 和一个文档 token。这让你能够精确回答“为什么这条排在这里?”,而不是凭肉眼判断。

对于图像文档,`sentence_transformers.multi_vector_encoder.interpretability` 会将这种分解以标准 ColPali 热力图的形式叠加到页面上,既可以按整个查询聚合,也可以为每个查询 token 生成一张热力图。针对上面的支出页面询问“水资源和电力方面支出了多少?”时,这就是 water token 的分布位置:

Image 11: MaxSim heatmap of the query token "water" overlaid on a 1971 US budget outlays page, with the brightest patch on the "Water Resources & Power" bar of the lower chart

`heatmap.py` 是可运行版本,其中包含将文档嵌入向量与 patch 网格对齐的掩码步骤。

文本文档没有可叠加的 patch 网格,但同样的分解方法同样适用。`text_similarity_map.py` 对语料库进行排序,然后逐 token 归因排名第一结果的得分,这里使用的是之前 Natural Questions 语料库上的 32M 参数模型 mxbai-edge-colbert-v0-32m:

Query: when did richmond last play in a preliminary final
Top 3 of 4874 documents by exhaustive MaxSim (191.0ms):
  12.3489  Richmond Football Club Richmond began 2017 with 5 straight wins, a feat it had not achieved since 19
  12.1771  2017 AFL Grand Final The 2017 AFL Grand Final was an Australian rules football game contested betwee
  12.0591  2018 UEFA Champions League Final The 2018 UEFA Champions League Final was the final match of the 201

  query token       best document token      sim   share
  when              since                 0.9154    7.4%
  did               had                   0.9675    7.8%
  rich              rich                  0.9764    7.9%
  mond              mond                  0.9856    8.0%
  last              to                    0.9249    7.5%
  play              game                  0.9384    7.6%
  in                the                   0.9732    7.9%
  a                 a                     0.9587    7.8%
  preliminary       preliminary           0.9394    7.6%
  final             final                 0.9654    7.8%
  --------------------------------------------------------
  3 special tokens                        2.8038   22.7%
  MaxSim score                           12.3489  100.0%

rich、mond、preliminary 和 final 匹配到了它们自身,而 settled 匹配到了 since,play 匹配到了 game。特殊 token 也值得注意:其中三个贡献了 22.7% 的得分,却不携带查询的任何内容。在这张表下方,脚本会打印出段落本身,并用高亮标记出胜出的 token。

Token 池化

如果你担心索引占用空间,最有效的调节手段是存储更少的 token 向量。`HierarchicalTokenPooling` 实现了 Clavié、Chaffin 和 Adams 提出的 token 池化技术:它使用 Ward 链接和余弦距离对每个文档的 token 向量进行聚类,并用每个聚类的均值替换该聚类,从而大约保留 1 / pool_factor 的 token。在单个文档内部,大量 token 向量最终会彼此接近,因此你丢弃的大部分是冗余信息而非有效信号:

from datasets import load_dataset

from sentence_transformers import MultiVectorEncoder
from sentence_transformers.multi_vector_encoder.modules import HierarchicalTokenPooling

dataset = load_dataset("sentence-transformers/natural-questions", split="train[:5000]")
documents = list(dict.fromkeys(dataset["answer"]))

model = MultiVectorEncoder("lightonai/LateOn")

pooling = HierarchicalTokenPooling(pool_factor=2)
document_embeddings = model.encode_document(documents, token_pooling=pooling)

根据你希望在何时承担这一开销,有三个地方可以应用它:

# 1. Per encode call, as above
document_embeddings = model.encode_document(documents, token_pooling=pooling)

# 2. Standalone, on embeddings you already have saved (e.g. list of [num_tokens, num_dims] tensors)
pooled = pooling.pool(document_embeddings)

# 3. Baked into the model, so every consumer of the checkpoint gets pooled documents
model.append(HierarchicalTokenPooling(pool_factor=2))
model.save_pretrained("my-pooled-colbert")

默认情况下,池化仅应用于文档,因为查询较短,而且是你无法承受失真的那一侧。在之前的 Natural Questions 语料库上,缩减比例与 pool_factor 高度吻合,对全部 608k 个 token 向量进行池化大约耗时 6 秒:

pool_factor Token 向量数 缩减比例 float32 索引
1(关闭) 608,414 1.00x 311.5 MB
2 305,438 1.99x 156.4 MB
3 204,407 2.98x 104.7 MB
4 153,936 3.95x 78.8 MB

聚类中心与查询 token 的匹配度,不如其成员中最佳匹配项;聚类越粗糙,这种差距就越明显。原始实验在 BEIR 上衡量了这一代价,发现其影响微乎其微:在 pool_factor=2 时,平均保留了未池化检索性能的 100.6%,在 pool_factor=3 时为 99.0%。将索引减半却几乎不损失性能,这非常划算,因此 2 是一个合理的起点。不过,这一代价在您的数据上具体有多大,取决于语料库本身,因此在确定因子之前,请使用评估器进行衡量。可运行的对比脚本是 token_pooling.py。

pool_factor 能推到多大,部分也取决于模型本身的特性。LightOn 的分层池化正则化正是为此而训练,它塑造了嵌入空间,使池化代价更低,并报告在 5 倍压缩下保留了 99.4% 的性能。使用该正则化器进行训练目前尚未集成到 Sentence Transformers 中,但由此产生的检查点是标准的 PyLate 模型,因此 lightonai/LateOn-hpool-regularized 可以像其他模型一样加载和池化。

加速推理

多向量模型与 Sentence Transformers 的其他部分运行在相同的后端机制上,因此您可以使用 torch(默认)、onnx 和 openvino,同时支持半精度、Flash Attention 和 torch.compile。

在 GPU 上,fp16 配合 Flash Attention 是我们测得的最高效配置,其吞吐量是 fp32 的 2.44 倍,且检索质量没有可测量的损失。Flash Attention 对多向量模型的帮助比大多数模型都大,因为文档只会被截断而不会被填充到统一长度,因此您的批次包含长度差异很大的序列,这正好可以利用去填充(unpadding)的优势:

from sentence_transformers import MultiVectorEncoder

model = MultiVectorEncoder(
    "lightonai/GTE-ModernColBERT-v1",
    model_kwargs={"attn_implementation": "flash_attention_2", "dtype": "float16"},
)

Image 12: Multi-vector backend benchmarks on GPU

GPU

Image 13: Multi-vector backend benchmarks on CPU

CPU

使用非注意力查询扩展(attend=False,涵盖 Stanford-NLP 的检查点,如 colbert-ir/colbertv2.0 和 answerdotai/answerai-colbert-small-v1)的模型,在加载时会拒绝 Flash Attention。Flash Attention 会移除 attention_mask=0 的位置,因此 MaxSim 评分所依据的 [MASK] 扩展 token 将永远不会收到注意力更新。请为这些模型使用 “sdpa”。

在 CPU 上,只要架构受支持,OpenVINO 就是更好的选择,而 int8 量化能进一步提速,代价是约 0.4% 的准确率。完整的基准测试详情、导出与量化辅助工具,以及选择后端的流程图,请参阅《加速推理》。

评估模型

MultiVectorNanoBEIREvaluator 使用 MaxSim 评分运行 NanoBEIR 套件(包含 13 个小型 BEIR 子集),并且无需你方准备任何数据:

from sentence_transformers import MultiVectorEncoder
from sentence_transformers.multi_vector_encoder.evaluation import MultiVectorNanoBEIREvaluator

model = MultiVectorEncoder("lightonai/GTE-ModernColBERT-v1")
evaluator = MultiVectorNanoBEIREvaluator(batch_size=16)
results = evaluator(model)
print(f"{evaluator.primary_metric}: {results[evaluator.primary_metric]:.4f}")

这也让我们很容易验证本文开头的说法。lightonai/LateOn 和 lightonai/DenseOn 由 LightOn 在相同数据上训练,使用相同的 ModernBERT 主干和相同的 149M 参数,唯一区别在于它们是每个 token 保留一个向量,还是池化到每个文档一个向量。在全部 13 个 NanoBEIR 数据集上运行这两个模型,就能隔离出这一选择带来的差异:

NanoBEIR 数据集 LateOn(多向量,128d) DenseOn(稠密,768d)
MSMARCO 0.7194 0.6517
NQ 0.7810 0.7511
HotpotQA 0.9295 0.8802
FEVER 0.9702 0.9612
ClimateFEVER 0.4887 0.4846
DBPedia 0.6836 0.6748
QuoraRetrieval 0.9795 0.9687
Touche2020 0.5938 0.5673
ArguAna 0.5562 0.5660
NFCorpus 0.3949 0.3851
SciFact 0.7978 0.8057
SCIDOCS 0.4469 0.4484
FiQA2018 0.5871 0.6491
平均值 0.6868 0.6764

延迟交互在 13 个数据集中的 9 个以及平均值上胜出,大约领先一个 NDCG 点。它输掉的四个数据集(ArguAna、FiQA2018、SCIDOCS 和 SciFact)正是你应该预期的权衡形态:在相同模型规模下获得真实的检索质量提升,代价是索引占用空间更大,而非在每个数据集上都全面获胜。同一对模型在完整的 15 数据集 BEIR 上得分为 57.22 对 56.20,差距相当,因此这一差距并非小型基准测试带来的假象。

除了 NanoBEIR,MultiVectorInformationRetrievalEvaluator、MultiVectorRerankingEvaluator、MultiVectorTripletEvaluator 和 MultiVectorDistillationEvaluator 还覆盖了在你自己的数据上进行评估的常见设置。它们记录在《评估 API 参考》中。

从 PyLate 或 colpali-engine 迁移而来

MultiVectorEncoder 整合了两个库的建模、推理、训练和评估功能。每个 PyLate 检查点都能直接加载,Supported Models 页面列出了 colpali-engine 的检查点,以及仍需要传入的 revision 参数。如果你正在迁移,以下这些调用会发生变化:

PyLate Sentence Transformers
pylate.models.ColBERT(model_name_or_path=...) MultiVectorEncoder(...)
model.encode(..., is_query=True) model.encode_query(...)
model.encode(..., is_query=False) model.encode_document(...)
pylate.scores.colbert_scores model.similarity
pylate.indexes.PLAID / pylate.retrieve.ColBERT 无对应项,保留 PyLate 的 PLAID 或参阅 Indexing
colpali-engine Sentence Transformers
ColQwen2.from_pretrained(...) + ColQwen2Processor MultiVectorEncoder(...)
processor.process_queries(...) + model(**batch) model.encode_query(queries)
processor.process_images(...) + model(**batch) model.encode_document(images)
processor.score_multi_vector(qs, ds) model.similarity(query_embeddings, document_embeddings)
mask_non_image_embeddings=True MultiVectorMask(keep_only_token_ids=[...])
HierarchicalTokenPooler HierarchicalTokenPooling
colpali_engine.interpretability sentence_transformers.multi_vector_encoder.interpretability

有一个值得指出的差异:在裸(非 ColBERT)检查点上,PyLate 的 ColBERT("bert-base-uncased") 默认应用经典配置,而 MultiVectorEncoder("bert-base-uncased") 则构建一个普通堆栈,将前缀、查询扩展和跳表留作显式选择。训练损失和评估器的对应关系,以及数据处理上的差异,详见迁移指南。

请注意,保存兼容性在所有情况下都是单向的:PyLate、Stanford-NLP ColBERT 和 colpali-engine 的检查点都能加载到 MultiVectorEncoder 中,但 MultiVectorEncoder.save_pretrained 的输出无法被它们中的任何一个加载。

支持的模型

在 Hub 上带有 multi-vector 和 sentence-transformers 标签的模型列表是保持更新的,我们正在努力为所有可用的模型打上这些标签。下面的表格是我们直接测试的对象,所以请将它们视为起点,而非完整集合。特别是对于文本检索,任何 PyLate 或 Stanford-NLP 的 ColBERT 检查点,无论是否已打上标签,都可以加载。

有些条目需要先在它们的仓库中添加一个小的 Sentence Transformers 配置,其中一些在撰写本文时仍是未合并的拉取请求。如果下面列出了某个修订版本,请使用该版本,直到该拉取请求被合并,之后直接使用模型名称即可:

model = MultiVectorEncoder("vidore/colqwen-omni-v0.1", revision="refs/pr/N")

文本检索模型

这些模型会加载其训练好的前缀 token、查询扩展和从保存的配置中恢复的标点跳过列表。

NanoBEIR 列报告了 13 个 NanoBEIR 数据集上的平均 NDCG@10(越高越好),每个数据集是 BEIR 数据集的 50 个查询子样本,作为英语文本检索质量的快速代理指标。我们使用 MultiVectorNanoBEIREvaluator 来计算主要面向英语的模型的得分。`-` 表示该模型未在此项上评估。请注意,NanoBEIR 是一个小型基准,其分数不能替代在您自己的数据上进行评估,而后者始终是选择模型的正确方法。

模型 参数量 维度 NanoBEIR 备注
lightonai/LateOn-regularized 149M 128 0.6897 -
lightonai/LateOn-hpool-regularized 149M 128 0.6876 -
lightonai/LateOn 149M 128 0.6868 -
LiquidAI/LFM2.5-ColBERT-350M 353M 128 0.6864 需要 trust_remote_code=True
lightonai/mLateOn 307M 128 0.6851 -
lightonai/GTE-ModernColBERT-v1 149M 128 0.6720 -
topk-io/Iso-ModernColBERT 149M 128 0.6687 -
perplexity-ai/pplx-embed-v1-late-0.6b 596M 128 0.6662 需要 trust_remote_code=True
lightonai/ColBERT-Zero 149M 128 0.6569 -
answerdotai/answerai-colbert-small-v1 33M 96 0.6550 -
mixedbread-ai/mxbai-edge-colbert-v0-32m 32M 64 0.6524 -
LiquidAI/LFM2-ColBERT-350M 353M 128 0.6441 -
mixedbread-ai/mxbai-edge-colbert-v0-17m 17M 48 0.6407 -
lightonai/colbertv2.0 110M 128 0.6201 -
lightonai/LateOn-Code 149M 128 0.6169 -
lightonai/Agent-ModernColBERT 149M 128 0.6164 -
lightonai/Reason-ModernColBERT 149M 128 0.6078 -
colbert-ir/colbertv2.0 110M 128 0.6053 -
VAGOsolutions/SauerkrautLM-EuroColBERT 212M 128 0.5982 -
antoinelouis/colbert-xm 853M 128 0.5915 -
VAGOsolutions/SauerkrautLM-Multi-ModernColBERT 149M 128 0.5886 -
mixedbread-ai/mxbai-colbert-large-v1 335M 128 0.5733 revision="refs/pr/4"
lightonai/LateOn-Code-edge 17M 48 0.5274 -
VAGOsolutions/SauerkrautLM-Multi-Reason-ModernColBERT 149M 128 0.5267 -
VAGOsolutions/SauerkrautLM-Reason-EuroColBERT 212M 128 0.4479 -
NeuML/biomedbert-base-colbert 110M 128 0.4320 -
yjoonjang/colbert-ko-v1 149M 128 - -
ytu-ce-cosmos/turkish-colbert 111M 256 - -
samheym/GerColBERT 110M 128 - -

视觉文档检索模型

ColPali 风格的模型将页面图像嵌入为文档,将文本嵌入为查询。

NanoViDoRe 列报告了 NanoViDoRe v3 上的平均 NDCG@10(越高越好)。NanoViDoRe 是一个紧凑的视觉文档检索基准,涵盖 8 个子集(计算机科学、能源、金融(英语和法语)、人力资源、工业、制药和物理)。与 NanoBEIR 一样,NanoViDoRe 是一个小型基准,不应取代在您自己数据上的评估。

模型 参数量 维度 NanoViDoRe 备注
webAI-Official/webAI-ColVec1.1-8b 8.4B 640 0.6580 需要 trust_remote_code=True
webAI-Official/webAI-ColVec1.1-4b 4.5B 640 0.6520 需要 trust_remote_code=True
tencent/EVIE-Preview-4.5B 4.54B 128 0.6405 -
TomoroAI/tomoro-colqwen3-embed-8b 8.8B 320 0.6206 需要 trust_remote_code=True
TomoroAI/tomoro-colqwen3-embed-4b 4.4B 320 0.6019 需要 trust_remote_code=True
vidore/colqwen2.5-v0.2 3.8B 128 0.5402 -
vidore/colqwen2.5-v0.1 3.8B 128 0.5395 -
vidore/colqwen-omni-v0.1 4.4B 128 0.5309 -
vidore/colpali-v1.3 2.9B 128 0.4802 -
vidore/colpali-v1.3-hf 2.9B 128 0.4793 -
vidore/colpali-v1.2 2.9B 128 0.4691 -
vidore/colqwen2-v1.0 2.2B 128 0.4685 -
vidore/colqwen2-v0.1 2.2B 128 0.4526 -
vidore/colpali 2.9B 128 0.4516 -
vidore/colpali-v1.1 2.9B 128 0.4314 -
vidore/colsmolvlm-v0.1 2.1B 128 0.4054 -
vidore/colpali-hard-v1.1 2.9B 128 0.3949 -
vidore/colSmol-500M 507M 128 0.3459 -
vidore/colSmol-256M 256M 128 0.2673 -
ModernVBERT/colmodernvbert 252M 128 0.2632 -
vidore/colpali-v1.2-hf 2.9B 128 - -
vidore/colqwen2-v1.0-hf 2.2B 128 - -

其中大多数是 LoRA 适配器仓库,适配器在加载时直接应用到其基础模型上。有些在 Hub 上还有 -merged 的姊妹版本(例如 vidore/colpali-v1.3-merged),其中适配器已合并到权重中。

这三个带 -hf 后缀的条目是 transformers 原生的 *ForRetrieval 移植版本。它们无需任何配置即可加载,但更多使用 transformers 的建模代码,较少依赖 sentence_transformers。一般来说,更推荐使用原始模型,因为这些移植版本得分大致相同。

致谢

Sentence Transformers 中的晚期交互(late interaction)建立在大量前期工作之上。感谢 Omar Khattab 和 Matei Zaharia 提出 ColBERT,本文的一切都源于此;也感谢 LightOn 团队(Antoine Chaffin、Raphael Sourty、Paulo Moura 和 Amélie Chatelain)开发了 PyLate 和 fast-plaid,这些项目多年来一直支撑着晚期交互的发展,并塑造了上述 API 的很大一部分设计。

感谢 ColPali 团队(Manuel Faysse、Hugues Sibille、Tony Wu、Bilel Omrani、Gautier Viaud、Céline Hudelot 和 Pierre Colombo)提出 ColPali 和 colpali-engine,将晚期交互引入页面图像领域;也感谢 Benjamin Clavié、Antoine Chaffin 和 Griffin Adams 在 token 池化方面的工作。

同样感谢核心 MTEB 团队,包括 Kenneth Enevoldsen 和 Roman Solomatin 等众多成员,感谢他们维护 MTEB,以及那些支撑信息检索研究持续运转的幕后工作。

还要感谢所有训练并发布了“支持的模型”中所列检查点的人。没有他们,这篇文章将没有任何可供评测的对象。

更多资源

文档

  • 多向量编码器 > 用法
  • 多向量编码器 > 预训练模型
  • 多向量编码器 > 创建自定义模型
  • 多向量编码器 > 加速推理
  • 多向量编码器 > API 参考
  • 安装
  • 迁移指南

示例脚本

  • 语义搜索
  • 检索与重排
  • Token 池化
  • ColPali 热力图
  • 文本相似度映射
  • NanoBEIR 评测

训练

要了解如何在您自己的数据上训练或微调这些模型:

  • 多向量编码器 > 训练概览
  • 多向量编码器 > 损失函数概览
  • 多向量编码器 > 训练示例
  • LateOn 和 mLateOn 训练脚本:LightOn 的 PyLate 配方,涵盖 LateOn、mLateOn、DenseOn 和 mDenseOn,其中微调脚本展示了实际细节,例如如何将包含 16,384 个样本的批次拆分为 16 个样本的小批次。

Hugging Face Hub

  • Hub 上的多向量模型
  • Hub 上的 Sentence Transformers 数据集

配套博客文章

  • 使用 Sentence Transformers 训练和微调嵌入向量模型:面向纯文本稠密嵌入向量模型的通用训练指南。
  • 使用 Sentence Transformers 训练和微调重排序模型:交叉编码器训练,这是添加精确第二阶段的另一种方式。
  • 使用 Sentence Transformers 训练和微调稀疏嵌入向量模型:SPLADE 及其他稀疏编码器,它们与混合检索中的后期交互结合效果良好。
  • 使用 Sentence Transformers 的多模态嵌入向量与重排序模型:单向量多模态模型,是 ColPali 风格检索的稠密对应方案。
  • 使用 Sentence Transformers 训练和微调多模态嵌入向量与重排序模型:包含使用单向量模型进行视觉文档检索的完整演练。
  • 🪆 Matryoshka 嵌入向量模型入门:按维度压缩稠密嵌入向量,就像 token 池化按数量压缩多向量模型一样。

来源:Hugging Face:Blog(RSS)· huggingface.co