最近在X上闲逛时，发现了一个好项目：

ColQwen-Omni。

一款基于Qwen2.5-Omni多模态大模型，可用于任意模态检索的RAG系统。

现在已经是2025年7月了，RAG（检索增强生成）早已不是什么新鲜技术了。

但是鉴于我们号过去写RAG的次数不多，所以我这里也再简单介绍一下。

RAG是一种结合信息检索与文本生成的混合架构，旨在解决大型语言模型（LLM）知识局限性和幻觉问题。经常用AI工具的朋友都知道，大模型日常爱胡说八道，也就是大家常说的幻觉（Hallucination）问题。

一种有效缓解幻觉的手段就是通过RAG将外部知识接入给模型，让其在遇到自己不会的问题时，能够优先检索外部知识库，然后再生成回答。目前RAG主要还是依赖于文本信息来进行文档索引，一定程度上限制了RAG和LLM的能力以及实际应用场景。

实际上，外部知识库并不局限于文本文档的形式。语音、图像和视频都能作为外部知识为LLM提供检索数据。而ColQwen-Omni就是这样一种可用于多模态数据检索的RAG系统。

我顺手追溯了一下ColQwen-Omni团队，原来他们早在ColQwen-Omni之前，就提出了可用文本和图像RAG的ColPali和ColQwen等工具，而ColQwen-Omni则是在ColPali的文本和图像检索基础上，新增了音频和短视频数据的检索生成功能。

那么，ColQwen-Omni这种多模态RAG能力是如何实现的？

研究团队认为，与其直接从文档中提取文本进行处理，不如将文档页面看作是一系列的图像（截图），并训练一个视觉语言模型（VLM）将这些图像直接表示为向量。ColPali已经证明，这种策略通常比其他方法更快、更简单，并能产生更好的检索性能。这种新的检索方式被称为视觉文档检索（visual document retrieval）。

比如论文中这个图，传统的PDF文档检索，要经过OCR、布局检测、文本摘要、文档切分（chunking）等一系列处理步骤，一套操作下来，每一页需要7.22秒的时间，可以说非常耗时了。而ColPali的视觉文档检索的做法，直接将每一页作为图像输入到VLM，每页处理时间缩减到仅需要0.39秒。

得益于多模态大模型的快速发展，将ColPali检索能力扩展到音频和视频模态则是非常顺利。Qwen2.5-Omni是一个端到端的多模态模型，旨在感知多种模态，包括文本、图像、音频和视频，同时以流式方式生成文本和自然语音响应。

理论部分大概就说这么多，我拿官方给的例子，在Colab上跑了一下，下面来看ColQwen-Omni使用代码。

colpali库安装：

pip install git+https://github.com/illuin-tech/colpali

加载ColQwen-Omni模型，需要提供huggingface token：

from colpali_engine.models import ColQwen2_5Omni, ColQwen2_5OmniProcessor
# 模型
model = ColQwen2_5Omni.from_pretrained(
"vidore/colqwen-omni-v0.1",
torch_dtype=torch.bfloat16,
device_map="cuda",
attn_implementation="flash_attention_2").eval()
# 处理器
processor = ColQwen2_5OmniProcessor.from_pretrained("vidore/colqwen-omni-v0.1")

假设我们的目标是能够查询一个30分钟时长的youtube播客。先将播客切分为30秒的片段，并将每个片段以wav格式存储在Python列表中。

from pydub import AudioSegment
audio = AudioSegment.from_wav("<my_legally_downloaded_podcast>.wav")
# 设置目标帧率
target_rate = 16000
# 30秒
chunk_length_ms = 30 * 1000
audios = []
for i in range(0, len(audio), chunk_length_ms):
chunk = audio[i:i + chunk_length_ms]
# 将立体声转换为单声道，采样率为16kHz
chunk = chunk.set_channels(1).set_frame_rate(target_rate)
# 导出并转换为numpy数组
buf = io.BytesIO()
chunk.export(buf, format="wav")
buf.seek(0)
rate, data = wavfile.read(buf)
audios.append(data)

音频切分好后，我们将其输入到模型中进行embedding：

from torch.utils.data import DataLoader
# 按批次处理输入，批大小为4
dataloader = DataLoader(
dataset=audios,
batch_size=4,
shuffle=False,
collate_fn=lambda x: processor.process_audios(x))
ds = []
for batch_doc in tqdm(dataloader):
with torch.no_grad():
batch_doc = {k: v.to(model.device) for k, v in batch_doc.items()}
embeddings_doc = model(**batch_doc)
ds.extend(list(torch.unbind(embeddings_doc.to("cpu"))))

一个30分钟的音频在9秒钟内即可嵌入完成，总共获得了804个音频嵌入向量。

接下来，我们就可以拿这些音频嵌入向量来进行检索查询了。可以看到，输出结果表明与查询的相关音频片段包括26、49、42、52等嵌入向量。

def get_results(query: str, k=10):
batch_queries = processor.process_queries([query]).to(model.device)
# Forward pass
with torch.no_grad():
query_embeddings = model(**batch_queries)
scores = processor.score_multi_vector(query_embeddings, ds)
# get top-5 scores
return scores[0].topk(k).indices.tolist()
query = "Was Hannibal well liked by his men?"
res = get_results(query)
print(f"The best audio chunks are: {res}")
# The best audio chunks are: [26, 49, 42, 52, 51, 45, 44, 41, 43, 30]

进一步借助OpenAI或者Gemini的语音模型api，我们可以构建一个端到端的AudioRAG。

import google.generativeai as genai
gemini_content_parts = [
{"text": f"Answer the query using the audio files. Say which ones were used to answer. Query: {query}"}
]
for i in res[:1]:
gemini_content_parts.append({"text": f"The following is audio chunk # {i}."})
gemini_content_parts.append({
"inline_data": {
"mime_type": "audio/wav",
"data": audio_to_base64(audios[i])
}
})
gemini_contents = [
{"parts": gemini_content_parts}
]
gemini_model = genai.GenerativeModel(
'gemini-2.5-flash',
)
response = gemini_model.generate_content(gemini_contents)
answer = response.text
print(f"Query: {query}")
print(f"Answer: {answer}")

Query: Was Hannibal well liked by his men?
Answer: Based on audio chunk #26, Hannibal was well-liked by his men.  The audio states that the men readily accepted him as their leader, he suffered the same hardships as his men, lived in the same conditions, and was often the first into and last out of battle.
The audio concludes that he had the total respect of his men.

再测试一下ColQwen-Omni在视频模态上的检索效果。提醒一下，视频非常占内存，如果你机器显存不那么大的话，尽量用短视频做测试。

测试视频：

videos = [
"http://commondatastorage.googleapis.com/gtv-videos-bucket/sample/ForBiggerEscapes.mp4",
"http://commondatastorage.googleapis.com/gtv-videos-bucket/sample/ForBiggerBlazes.mp4",
"http://commondatastorage.googleapis.com/gtv-videos-bucket/sample/ForBiggerMeltdowns.mp4"
]

导入视频数据并使用ColQwen-Omni做嵌入：

dataloader = DataLoader(
dataset=videos,
batch_size=1,
shuffle=False,
collate_fn=lambda x: processor.process_videos(x),
)
ds  = []
for batch_doc in tqdm(dataloader):
with torch.no_grad():
batch_doc = {k: v.to(model.device) for k, v in batch_doc.items()}
embeddings_doc = model(**batch_doc)
ds.extend(list(torch.unbind(embeddings_doc.to("cpu"))))

要查询的视频片段是"A dragon spitting fire（一只喷火龙）"，那么ColQwen-Omni就会把相关视频片段检索出来。

从开发团队给出的测试案例来看，多模态检索效果非常好。但ColQwen-Omni在具体业务场景下使用效果如何，需要实测的朋友们自己验证了。

完整代码地址：

https://github.com/ManuelFay/Tutorials/blob/main/Practical_3_AudioRAG.ipynb

RAG作为大模型实际落地使用最需要的辅助工具，依靠基础的多模态大模型的能力进步，多模态RAG一定大有可为。

后记：机器学习实验室公众号近期在进行内容重组，会更加聚焦AIGC和AGI相关学术、技术与应用。目前正在加大原创内容产出，感谢各位读者的支持。

八年AI算法老兵，目前正在全面拥抱大模型和AIGC。感兴趣的小伙伴可以加我微信（louwill_）交个朋友。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】