前言
在本文中，我将介绍Ollama最近对Llama 3.2 Vision的支持更新，并分享Llama 3.2 Vision的实测结果。同时，我还将介绍一个视觉RAG系统，展示如何将Llama 3.2 Vision与该系统结合，完成基于视觉RAG检索的任务。
先介绍此次更新：
Ollama 现在正式支持 Llama 3.2 视觉模型（Llama 3.2 Vision）。
你看就像这样拖进去就可以识别图片了。
▲ 来源 | Prompt Engineering
你可以看到该模型有11B参数版和90B参数版。选择90B参数版时，文件大小约为55GB。当然还有一些量化的版本。
Llama 3.2 Vision 11B 至少需要 8GB VRAM，而 90B 型号至少需要 64 GB VRAM。
为了安装它，你需要更新一下ollama，这里以docker安装的ollama为例，没更新前拉取这个视觉模型不成功，我们需要删掉容器，再pull更新它。
更新完之后我们可以执行拉取操作
你可以使用ollama python库这样运行它的测试
通过本地图像路径向模型提问“这张图片是什么”。
▲ 来源 | Fahd Mirza
模型返回了结果，描述图片中有“日落、袋鼠和一群鸟，太阳位于画面中央，但被云遮挡。” 这正是图片内容。
“ 这是什么城市？”，模型会给出答案：“我猜这是日本的城市，可能是东京或大阪。”
我们看看其他一些场景的情况：
手写内容识别
光学字符识别 (OCR)
图表和表格
图片问答
还是不错的。
下面我们进入正题 …
一个视觉RAG系统 + Llama 3.2 Vision
LocalGPT-Vision 是一个基于视觉的检索增强生成 (RAG) 系统，它可以让你与文档进行对话，使用Vision语言模型实现端到端的RAG系统。
该项目使用Colqwen 或 ColPali模型进行基于视觉的页面信息检索，检索到的页面将传递到视觉语言模型 (VLM) 以生成响应。
安装这个项目：
首先，你需要克隆代码仓库或拉取最新的更改；然后你需要创建一个新的虚拟环境来使用conda；最后使用`pip install -r requirements.txt`安装所有需要的包。
为了启动主应用程序，我们将使用`python app.py`，这会启动我们的Flask服务器，并在该URL上运行。只需在浏览器中访问即可。
这是本地GPT Vision的主界面。如果你进入模型列表，将看到检索模型。我将选择Colqwen ，它是最适合的模型之一。
对于生成模型，你有多个选项，我将选择Ollama Llama Vision，
然后保存更改。
对于被RAG的对象，我们使用一篇名叫Light RAG论文，这是一种简单快速的检索增强生成方法，结合了知识库和基于密集向量的方式，特别适用于具有某种关系的实体。
开始：
点击上传文档按钮，选择相应的PDF文件，然后点击“开始索引”。
▲ 来源 | Prompt Engineering
此时，后台将使用Colqwen模型为PDF中的每一页创建多维向量表示，转换成图像并计算嵌入，所有这些操作都依赖于强大的poppler库。
如果遇到问题，请确保已安装poppler库，因为有些人在使用这个库时遇到过问题。索引完成后，点击“确定”，然后开始与刚才创建的知识库进行交互。
首先，我们用一个简单的提示开始：“这篇论文的标题是什么？”
你可以看到，论文的标题是《Light RAG: Simple and Fast Retrieval Augmented Generation》。
它与标题完全一致。
接下来我们可以看看它是否能够解释该图像的详细信息。
我问：“你能详细解释图1吗？”
图1 作为论文中的一个插图，讨论了索引过程和检索过程，并展示了提议的Light RAG框架的整体架构。该页面还包含了其他信息，特别是数学公式，它们本质上也解释了相同的概念。
原文是这样的
这里是这个视觉RAG系统回答的翻译版本：
生成的响应是：“该图像展示了Light RAG框架的全面概述，该框架旨在增强信息检索系统的性能和效率。”然后它讨论了不同的组件，包括数据索引器和数据检索器。
这些信息似乎来自图像本身或图像所在页面上的文本。描述可以做得更好一些，可能90B版本的模型会做得更好。
我在这里补充它回答后续的截图：
此外，这些视觉开源大模型往往也可以用于一些视频帧的分析的场景。
