一、多模态RAG

       OpenAI开发日上最令人兴奋的发布之一是GPT-4V API（https://platform.openai.com/docs/guides/vision）的发布。GPT-4V是一个多模态模型，可以接收文本/图像，并可以输出文本响应。最近还有一些其他的多模态模型：LLaVa和Fuyu-8B。

​      在过去的一年里，大部分应用程序开发都是围绕文本输入/文本输出范式。最典型的例子之一是检索增强生成（RAG）——将LLM与外部文本语料库相结合，对模型未经训练的数据进行推理。通过处理任意文档（比如PDF、网页），将其切分为块并存储到向量数据库中，然后通过检索到相关的块输入给LLM，让LLM给出用户期待的回复。

       与标准RAG pipeline对比，我们看一下多模态RAG的所有步骤：

输入：输入可以是文本或图像。

检索：检索到的上下文可以是文本或图像。

合成：答案可以在文本和图像上合成。

响应：返回的结果可以是文本和/或图像。

       也可以在图像和文本之间采用链式/顺序调用，例如检索增强图像字幕或在多模态代理进行循环。

二、多模态LLM

   OpenAIMultiModal类可以直接支持GPT-4V模型，ReplicateMultiModal类可以支持开源多模式模型（目前处于测试版，因此名称可能会更改）。SimpleDirectoryReader能够接收音频、图像和视频，现在可以直接将它们传递给GPT-4V并进行问答，如下所示：

from llama_index.multi_modal_llms import OpenAIMultiModalfrom llama_index import SimpleDirectoryReader​image_documents = SimpleDirectoryReader(local_directory).load_data()​openai_mm_llm = OpenAIMultiModal(    model="gpt-4-vision-preview", api_key=OPENAI_API_TOKEN, max_new_tokens=300)response = openai_mm_llm.complete(    prompt="what is in the image?", image_documents=image_documents)

       与默认具有标准的完成/聊天端点的LLM类不同，多模态模型（MultiModalLLM）可以接受图像和文本作为输入。

三、多模态嵌入

      我们介绍一个新的MultiModalEmbedding基类，它既可以embedding文本也可以embedding图像。它包含了我们现有嵌入模型的所有方法（子类BaseEmbedding），但也公开了get_image_embedding。我们在这里的主要实现是使用CLIP模型的ClipEmbedding。

四、多模态索引与检索

      MultiModalVectorIndex可以从向量数据库中索引文本和图像。与我们现有的（最流行的）索引VectorStoreIndex不同，这个新索引可以存储文本和图像文档。索引文本与之前是一样的——使用文本嵌入模型嵌入的，并存储在矢量数据库中。图像索引是一个单独的过程，如下所示：、

• 使用CLIP嵌入图像；
• 使用base64编码或路径表示图像节点，并将其与嵌入一起存储在矢量数据库中（与文本分离）。

       我们将图像和文本分开存储，因为我们可能希望对文本使用纯文本嵌入模型，而不是CLIP嵌入（例如ada或sbert）。

在检索期间，我们执行以下操作：

• 通过在文本嵌入上进行矢量搜索来检索文本；
• 通过在图像嵌入上进行矢量搜索来检索图像

文本和图像作为节点返回到结果列表中，然后再汇总这些结果。

五、多模态RAG实战

       下面我们以查询特斯拉为例展示llama_index实现多模态RAG，根据给出特斯拉的网站或车辆、SEC填充物和维基百科页面的截图来查询特斯拉。

加载文本和图像混合文本：

documents = SimpleDirectoryReader("./mixed_wiki/").load_data()

       然后，我们在Qdrant中定义两个独立的矢量数据库：一个用于存储文本文档，一个用于存储图像。然后我们定义一个MultiModalVectorStoreIndex。

# Create a local Qdrant vector storeclient = qdrant_client.QdrantClient(path="qdrant_mm_db")​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)​# Create the MultiModal indexindex = MultiModalVectorStoreIndex.from_documents(    documents, storage_context=storage_context, image_vector_store=image_store)

       最后，我们可以通过我们的多模态语料库进行提问。

示例1：检索增强字幕

       我们复制/粘贴初始图像标题作为输入，以获得检索增强输出：

retriever_engine = index.as_retriever(    similarity_top_k=3, image_similarity_top_k=3)# retrieve more information from the GPT4V responseretrieval_results = retriever_engine.retrieve(query_str)

检索到的结果包含图像和文本：

我们可以将其提供给GPT-4V，以提出后续问题或综合一致的回答：

示例2：多模态RAG查询

      我们提出了一个问题，并从整个多模态RAG pipeline中得到回应。SimpleMultiModalQueryEngine首先检索相关图像/文本集，并将其输入给视觉模型，以便合成响应。

from llama_index.query_engine import SimpleMultiModalQueryEngine​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)

         生成的结果+来源如下所示：

参考文献：

[1] https://blog.llamaindex.ai/multi-modal-rag-621de7525fea

[2] https://github.com/run-llama/llama_index/blob/main/docs/examples/multi_modal/llava_multi_modal_tesla_10q.ipynb