猫头虎AI分享：无需OCR，基于ColQwen2、Qwen2.5和Weaviate对PDF进行多模态RAG的解决方案

无需OCR，基于ColQwen2、Qwen2.5和Weaviate对PDF进行多模态RAG的解决方案

关键词：多模态RAG、ColQwen2、Qwen2.5-VL、Weaviate 向量数据库、PDF 检索问答、无需 OCR、ColBERT 多向量、跨模态检索、MaxSim 相似度、知识库构建、AI 文档处理、视觉语言模型、晚交互（Late Interaction）、向量索引、Python 教程、HuggingFace、Colab、MPS、GPU

本文面向初学者，手把手搭建一个“无需 OCR 与分块”的 PDF 多模态 RAG 流水线：把 PDF 页面截图直接送入 ColQwen2 生成多向量（multi-vector）表征，写入 Weaviate 的 Multi-Vector 索引；查询时用 ColQwen2 将文本问题也编码到同一向量空间做近邻检索；最后把召回的页面截图与原问题一起交给 Qwen2.5-VL 生成答案。
教程核心参考自官方 recipe 笔记本（文末附链接），并在文中补充环境、代码注释、部署建议与排错清单。

一、为什么要“无需 OCR + 无需分块”？

传统 PDF RAG 往往要：OCR → 版面分析 → 文本分块 → 嵌入 → 检索。
ColQwen2（晚交互 ColBERT 风格）直接对整页截图做多向量嵌入，把文本、表格、图形统一映射到同一空间，跳过 OCR/分块，从而：

• 更稳健：复杂版面（图表、公式、扫描件）也能检索；
• 更省心：流水线更短，工程复杂度更低；
• 效果好：多向量 + MaxSim 提升细粒度匹配能力。

一句话：同一模型，同一空间同时编码图片页与文本查询，实现跨模态检索问答。

二、项目总体流程（入门图概览）

1. 摄取（Ingestion）

   • 将 PDF 转为页面截图（PIL Images）；
   • 用 ColQwen2 把每页转为多向量；
   • 写入 Weaviate Multi-Vector 索引（BYOV）。

2. 查询（Retrieval）

   • 用 ColQwen2 编码文本问题为多向量；
   • 在 Weaviate 中做 MaxSim 近邻搜索，取回相关页面。

3. 生成（Generation）

   • 将召回页面截图 + 原问题交给 Qwen2.5-VL；
   • 输出基于证据的多模态答案。

三、环境与前置条件

• Python 3.10+（建议 3.10/3.11）
  官方示例用了 3.13；初学者用 3.10/3.11 更容易装依赖，日后可再升级。

• 至少 5–10 GB 显存/统一内存

  • 可选：Google Colab（T4 免费）、Apple Silicon（M2/M3，使用 MPS）。

• Weaviate ≥ 1.29.0（文中示例 1.32.x 也可）
  选择其一：

  • Weaviate Cloud（WCD，省心）
  • 本地 Docker（学习/演示足够）
  • Embedded（快速试用）

四、快速开始（一键跑通骨架）

强烈建议先跑通“最小可行”骨架，再逐步加速与增强。

1）安装依赖

# 基础依赖
pip install -U colpali_engine "colpali-engine[interpretability]>=0.3.2,<0.4.0"
pip install -U weaviate-client qwen_vl_utils datasets transformers accelerate
pip install -U pillow matplotlib

如果在 Colab：记得 Runtime -> Change runtime type -> GPU。
如果是 Apple Silicon：PyTorch 需开启 MPS（文末排错节有提示）。

2）加载示例数据集（含 PDF 页面图像）

from datasets import load_dataset
dataset = load_dataset("weaviate/arXiv-AI-papers-multi-vector", split="train")
print(dataset.features)
print(len(dataset), dataset[0].keys())

数据集中含：page_image（PIL 图像）、colqwen_embedding（也可自己现场算）。

3）加载 ColQwen2（多向量嵌入）

import torch, os
from transformers.utils.import_utils import is_flash_attn_2_available
from colpali_engine.models import ColQwen2, ColQwen2Processor

os.environ["TOKENIZERS_PARALLELISM"] = "false"
device = "cuda:0" if torch.cuda.is_available() else ("mps" if torch.backends.mps.is_available() else "cpu")
attn_impl = "flash_attention_2" if is_flash_attn_2_available() else "eager"

model_name = "vidore/colqwen2-v1.0"
model = ColQwen2.from_pretrained(model_name, torch_dtype=torch.bfloat16,
                                 device_map=device, attn_implementation=attn_impl).eval()
processor = ColQwen2Processor.from_pretrained(model_name)

# 简易封装
class ColVision:
    def __init__(self, model, processor): self.model, self.processor = model, processor
    def img_embed(self, img):
        batch = self.processor.process_images([img]).to(self.model.device)
        with torch.no_grad(): embs = self.model(**batch)  # [n_tokens, dim]
        return embs[0].cpu().float().numpy().tolist()
    def text_embed(self, text):
        batch = self.processor.process_queries([text]).to(self.model.device)
        with torch.no_grad(): embs = self.model(**batch)
        return embs[0].cpu().float().numpy().tolist()

colvision = ColVision(model, processor)

4）连接 Weaviate 并创建 Multi-Vector 集合

import weaviate
import weaviate.classes.config as wc
from weaviate.classes.config import Configure

# 方案A：本地 Docker 已启动 8080 端口
# client = weaviate.connect_to_local()

# 方案B：Embedded（快速学习）
client = weaviate.connect_to_embedded()

print("Weaviate ready:", client.is_ready())

# 创建集合（BYOV + MultiVectors）
COLL = "PDFDocuments"
if client.collections.exists(COLL):
    client.collections.delete(COLL)

collection = client.collections.create(
    name=COLL,
    properties=[
        wc.Property(name="page_id", data_type=wc.DataType.INT),
        wc.Property(name="paper_title", data_type=wc.DataType.TEXT),
        wc.Property(name="paper_arxiv_id", data_type=wc.DataType.TEXT),
        wc.Property(name="page_number", data_type=wc.DataType.INT),
    ],
    vector_config=[
        Configure.MultiVectors.self_provided(
            name="colqwen",
            vector_index_config=Configure.VectorIndex.hnsw(
                multi_vector=Configure.VectorIndex.MultiVector.multi_vector()
            )
        )
    ]
)

5）摄取：把“页面截图 → 多向量”写入 Weaviate

page_images = {}
with collection.batch.dynamic() as batch:
    for i, p in enumerate(dataset):
        page_images[p["page_id"]] = p["page_image"]
        multi_vec = colvision.img_embed(p["page_image"])      # 多向量（list[list[dim]]）
        batch.add_object(
            properties={
                "page_id": p["page_id"],
                "paper_title": p["paper_title"],
                "paper_arxiv_id": p["paper_arxiv_id"],
                "page_number": p["page_number"],
            },
            vector={"colqwen": multi_vec}
        )
        if (i + 1) % 25 == 0:
            print(f"Ingested {i+1}/{len(dataset)}")
    batch.flush()

print("Total objects:", len(collection))

6）检索：文本问题 → 多向量 → MaxSim Top-K

from weaviate.classes.query import MetadataQuery

query_text = "How does DeepSeek-V2 compare against the LLaMA family of LLMs?"
qvec = colvision.text_embed(query_text)

resp = collection.query.near_vector(
    near_vector=qvec,
    target_vector="colqwen",
    limit=1,
    return_metadata=MetadataQuery(distance=True)  # 返回 MaxSim 距离
)

hits = resp.objects
for i, o in enumerate(hits, 1):
    p = o.properties
    print(f"{i}) MaxSim: {-o.metadata.distance:.2f} | {p['paper_title']} p.{int(p['page_number'])}")

7）生成：把命中的“页面截图 + 问题”交给 Qwen2.5-VL

import base64
from io import BytesIO
from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

# 加载 VLM（占用较大内存，建议单卡/Colab 先 limit=1）
vlm = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2.5-VL-3B-Instruct",
    torch_dtype=torch.bfloat16,
    device_map=device,
    attn_implementation=attn_impl
)
# 画质范围可按需调
processor_vl = AutoProcessor.from_pretrained(
    "Qwen/Qwen2.5-VL-3B-Instruct",
    min_pixels=256*28*28, max_pixels=1280*28*28
)

# 取回页面图片
img = page_images[hits[0].properties["page_id"]]

# 打包为 chat 输入
buf = BytesIO(); img.save(buf, format="jpeg")
img_b64 = base64.b64encode(buf.getvalue()).decode("utf-8")

messages = [{
    "role": "user",
    "content": [{"type":"image","image":f"data:image;base64,{img_b64}"},
                {"type":"text","text":query_text}]
}]

text = processor_vl.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor_vl(text=[text], images=image_inputs, videos=video_inputs,
                      padding=True, return_tensors="pt").to(device)

out = vlm.generate(**inputs, max_new_tokens=128)
ans = processor_vl.batch_decode(out[:, inputs.input_ids.shape[1]:],
                                skip_special_tokens=True,
                                clean_up_tokenization_spaces=False)[0]
print("Answer:", ans)

至此，一个无需 OCR的 PDF 多模态 RAG 最小闭环完成 ✅。

五、Mermaid 流程图

六、关键概念一图读懂

• ColQwen2：视觉语言模型，**晚交互（ColBERT）**多向量；同一模型编码图片与文本。
• Multi-Vector + MaxSim：以token/patch 级向量交互匹配，保留细粒度对齐。
• Weaviate Multi-Vector：原生支持多向量 BYOV + HNSW，加速近邻检索。
• Qwen2.5-VL：将召回页面（图像）与问题（文本）一起喂给模型，基于证据作答。

七、扩展与优化建议

1. 批量/并发摄取：

   • 控制 batch.dynamic() 的批量大小；
   • 对页面分辨率/patch 数做折中（更小更快，略降召回上限）。

2. Top-K 与重排序：

   • 先用 Multi-Vector 粗排（Top-K=3/5），再用 Qwen2.5-VL 对候选进行重排序/评分。

3. 混合检索：

   • 同时维护文本嵌入（如 BGE/ColBERT 文本端）与图像多向量；
   • 按查询意图动态融合。

4. 成本与部署：

   • Weaviate Cloud（省心）或 Docker（可控）；
   • 模型可用 bitsandbytes 量化、max_pixels 控制分辨率。

八、常见报错与排查（新人必看）

• 显存不足（OOM）

  • 降低 max_pixels；检索 limit=1 起步；必要时 CPU/MPS 先验证流程。

• MPS 慢/不稳定（Apple Silicon）

  • 使用 torch.bfloat16；某些算子仍会回退到 CPU，耐心为要。

• Weaviate 版本不匹配

  • 确保 ≥1.29.0；若是 Docker，拉取对应 tag；若嵌入式，升级 weaviate-client。

• 网络下载模型慢

  • 配置国内镜像或提前手动缓存 HuggingFace 权重。

九、知识点表格总结

十、完整可复现骨架（拷贝即用）

下面代码把摄取 → 检索 → 生成串起来，方便你一次性跑通（与上文分步一致，只是整合）。

# 0) 安装依赖（参考前文）
# 1) 加载数据集
from datasets import load_dataset
dataset = load_dataset("weaviate/arXiv-AI-papers-multi-vector", split="train")

# 2) ColQwen2
import torch, os, base64
from io import BytesIO
from transformers.utils.import_utils import is_flash_attn_2_available
from colpali_engine.models import ColQwen2, ColQwen2Processor

os.environ["TOKENIZERS_PARALLELISM"] = "false"
device = "cuda:0" if torch.cuda.is_available() else ("mps" if torch.backends.mps.is_available() else "cpu")
attn_impl = "flash_attention_2" if is_flash_attn_2_available() else "eager"

model_name = "vidore/colqwen2-v1.0"
model = ColQwen2.from_pretrained(model_name, torch_dtype=torch.bfloat16,
                                 device_map=device, attn_implementation=attn_impl).eval()
processor = ColQwen2Processor.from_pretrained(model_name)

class ColVision:
    def __init__(self, model, processor): self.model, self.processor = model, processor
    def img_embed(self, img):
        batch = self.processor.process_images([img]).to(self.model.device)
        with torch.no_grad(): embs = self.model(**batch)
        return embs[0].cpu().float().numpy().tolist()
    def text_embed(self, text):
        batch = self.processor.process_queries([text]).to(self.model.device)
        with torch.no_grad(): embs = self.model(**batch)
        return embs[0].cpu().float().numpy().tolist()

colvision = ColVision(model, processor)

# 3) Weaviate（嵌入式或本地）
import weaviate
import weaviate.classes.config as wc
from weaviate.classes.config import Configure
from weaviate.classes.query import MetadataQuery

client = weaviate.connect_to_embedded()
COLL = "PDFDocuments"
if client.collections.exists(COLL):
    client.collections.delete(COLL)

collection = client.collections.create(
    name=COLL,
    properties=[
        wc.Property(name="page_id", data_type=wc.DataType.INT),
        wc.Property(name="paper_title", data_type=wc.DataType.TEXT),
        wc.Property(name="paper_arxiv_id", data_type=wc.DataType.TEXT),
        wc.Property(name="page_number", data_type=wc.DataType.INT),
    ],
    vector_config=[
        Configure.MultiVectors.self_provided(
            name="colqwen",
            vector_index_config=Configure.VectorIndex.hnsw(
                multi_vector=Configure.VectorIndex.MultiVector.multi_vector()
            )
        )
    ]
)

# 4) 摄取
page_images = {}
with collection.batch.dynamic() as batch:
    for i, p in enumerate(dataset):
        page_images[p["page_id"]] = p["page_image"]
        batch.add_object(
            properties={
                "page_id": p["page_id"],
                "paper_title": p["paper_title"],
                "paper_arxiv_id": p["paper_arxiv_id"],
                "page_number": p["page_number"],
            },
            vector={"colqwen": colvision.img_embed(p["page_image"])}
        )
        if (i + 1) % 50 == 0: print(f"Ingested {i+1}/{len(dataset)}")
    batch.flush()

# 5) 查询
query_text = "How does DeepSeek-V2 compare against the LLaMA family of LLMs?"
qvec = colvision.text_embed(query_text)
resp = collection.query.near_vector(
    near_vector=qvec, target_vector="colqwen", limit=1,
    return_metadata=MetadataQuery(distance=True)
)
hit = resp.objects[0]
print("Hit:", hit.properties["paper_title"], "p.", int(hit.properties["page_number"]))

# 6) 生成
from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

vlm = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen2.5-VL-3B-Instruct", torch_dtype=torch.bfloat16,
    device_map=device, attn_implementation=attn_impl
)
processor_vl = AutoProcessor.from_pretrained(
    "Qwen/Qwen2.5-VL-3B-Instruct", min_pixels=256*28*28, max_pixels=1280*28*28
)

img = page_images[hit.properties["page_id"]]
buf = BytesIO(); img.save(buf, format="jpeg")
img_b64 = base64.b64encode(buf.getvalue()).decode("utf-8")

messages = [{"role":"user","content":[{"type":"image","image":f"data:image;base64,{img_b64}"},
                                     {"type":"text","text":query_text}]}]
text = processor_vl.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor_vl(text=[text], images=image_inputs, videos=video_inputs,
                      padding=True, return_tensors="pt").to(device)

gen = vlm.generate(**inputs, max_new_tokens=128)
answer = processor_vl.batch_decode(gen[:, inputs.input_ids.shape[1]:],
                                   skip_special_tokens=True,
                                   clean_up_tokenization_spaces=False)[0]
print("Answer:", answer)

十一、FAQ

• Q：能否换 ColPali？
  A：可以，ColPali 与 ColQwen2 都属于“ColVision”家族，只是编码器不同。替换加载与 Processor 即可。
• Q：需要把所有页都喂给 Qwen2.5-VL 吗？
  A：不建议。先用 Multi-Vector 粗排 Top-K（1~3），再做多轮生成/重排序，控制成本。
• Q：如何支持中文 PDF 或扫描件？
  A：本方案天然对图像友好，扫描件常见噪声也能一定程度处理；若需要文字级精确抽取（复制/高亮），再结合 OCR 做“加分项”。

参考与致谢

• 原始官方教程（强烈推荐）：
  “Multimodal RAG over PDFs using ColQwen2, Qwen2.5, and Weaviate”
  GitHub（Jupyter Notebook）：
  https://github.com/weaviate/recipes/blob/main/weaviate-features/multi-vector/multi-vector-colipali-rag.ipynb

到这里，你已经掌握了无需 OCR 的多模态 RAG基本套路：ColQwen2 把图片页/文本统一到一个多向量空间 → Weaviate 做 Multi-Vector 近邻搜索 → Qwen2.5-VL 基于证据生成。拿去替换你现有的 PDF 问答、图表检索或扫描件归档工作流，立刻上手，立竿见影！