[!WARNING] 这是一个用于测试新功能的实验性仓库。请参考 nomic-ai/nomic-embed-vision-v1.5 获取原始模型。

nomic-embed-vision-v1.5: 扩展潜在空间

nomic-embed-vision-v1.5 是一个高性能的视觉嵌入模型，与 nomic-embed-text-v1.5 共享相同的嵌入空间。

所有 Nomic Embed Text 模型现在都是多模态的！

托管推理 API

开始使用 Nomic Embed 最简单的方式是通过 Nomic Embedding API。

使用 nomic Python 客户端生成嵌入非常简单：

from nomic import embed
import numpy as np

output = embed.image(
    images=[
        \"image_path_1.jpeg\",
        \"image_path_2.png\",
    ],
    model='nomic-embed-vision-v1.5',
)

print(output['usage'])
embeddings = np.array(output['embeddings'])
print(embeddings.shape)

更多信息，请参阅 API 参考

数据可视化

点击下方的 Nomic Atlas 地图，可视化包含 100,000 个 CC3M 样本的数据集，比较视觉和文本嵌入空间！

训练细节

我们采用类似于 LiT 的技术将视觉嵌入器与文本嵌入对齐，但锁定的是文本嵌入器！

更多详情，请参阅 Nomic Embed Vision 技术报告（即将发布！）以及相应的 博客文章

训练代码已在 contrastors 仓库 中发布

使用方法

请记住 nomic-embed-text 需要 前缀，因此，在多模态 RAG 场景中使用 Nomic Embed 时（例如文本到图像检索）， 你应该使用 search_query: 前缀。

Transformers

import torch
import torch.nn.functional as F
from transformers import AutoTokenizer, AutoModel, AutoImageProcessor
from PIL import Image
import requests

processor = AutoImageProcessor.from_pretrained(\"nomic-ai/nomic-embed-vision-v1.5\")
vision_model = AutoModel.from_pretrained(\"nomic-ai/nomic-embed-vision-v1.5\", trust_remote_code=True)

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(image, return_tensors=\"pt\")

img_emb = vision_model(**inputs).last_hidden_state
img_embeddings = F.normalize(img_emb[:, 0], p=2, dim=1)

此外，你还可以执行多模态检索！

def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

sentences = ['search_query: What are cute animals to cuddle with?', 'search_query: What do cats look like?']

tokenizer = AutoTokenizer.from_pretrained('nomic-ai/nomic-embed-text-v1.5')
text_model = AutoModel.from_pretrained('nomic-ai/nomic-embed-text-v1.5', trust_remote_code=True)
text_model.eval()

encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

with torch.no_grad():
    model_output = text_model(**encoded_input)

text_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
text_embeddings = F.layer_norm(text_embeddings, normalized_shape=(text_embeddings.shape[1],))
text_embeddings = F.normalize(text_embeddings, p=2, dim=1)

print(torch.matmul(img_embeddings, text_embeddings.T))

加入 Nomic 社区

• Nomic: https://nomic.ai
• Discord: https://discord.gg/myY5YDR8z8
• Twitter: https://twitter.com/nomic_ai