LLLMWIKI
正文元数据首页

实体 · 更新于 2026-07-14

ColPali 与视觉文档检索（ColPali）

#near-cvpr-2025#multimodal#vision-language#representation-learning#efficiency#benchmarking

它是什么

ColPali 是一个直接对文档页面图像编码的视觉语言检索路线。它输出页面多向量表示，使用 late interaction 与 query 匹配，并用 ViDoRe 评估视觉丰富文档页面的检索。

为什么与图文检索相关

它把 FILIP 类 patch/token 对齐从自然图像 caption 扩展到 PDF 页面、表格、布局和图形。对于研究生项目，这提供了一个可控的领域化场景：页面可以离线渲染，query、证据页和多真值能够被明确记录。

需要保留的边界

视觉文档检索不是普通图片 caption retrieval。页面分辨率、OCR 信息、版式和 query 类型都会影响结果；多向量检索的存储与延迟也必须和文本/OCR pipeline 同条件比较。

相关页面

元数据
{
  "id": "entity-colpali",
  "type": "entity",
  "title": "ColPali 与视觉文档检索（ColPali）",
  "status": "active",
  "created": "2026-07-14",
  "updated": "2026-07-14",
  "tags": [
    "near-cvpr-2025",
    "multimodal",
    "vision-language",
    "representation-learning",
    "efficiency",
    "benchmarking"
  ],
  "entity_type": "model",
  "aliases": [
    "ColPali",
    "ViDoRe"
  ],
  "related_topics": [
    "topics/image-text-retrieval",
    "topics/vision-language"
  ],
  "source_notes": [
    "sources/2026-07-14-colpali",
    "sources/2026-07-14-filip"
  ]
}