Qwen3.5-397B+Milvus+ColQwen2，如何做基于PDF的多模态RAG知识库

最近关于Qwen3.5还有其幕后团队，市场上的讨论沸沸扬扬，但今天我们不聊八卦，主要讲讲干货。

其实自从这款模型在年前发布之后，我们就一直有在关注和测试，客观来说，这的确是全球开源多模态大模型的天花板产品。

架构层面，Qwen3.5的亮点主要在MoE和线性注意力。其中，前者已经是近两年的大模型标准解法，而后者线性注意力也已经被国内kimi、minimax（上一代模型采用线性注意力，最新一代模型又换回了传统注意力）在内一众领先模型玩家所接受。

也是借助以上架构突破，作为最新一代旗舰模型，Qwen3.5的参数只有397B（激活参数只有17B）。

是的，相比相比上一代Qwen3-Max的万亿参数，尺寸变小了，但性能基本持平甚至超越。性价比拉满。

这也是为什么，在我们看来，Qwen3.5是当下多模态RAG在模型侧的最优解之一。

接下来，本文将带你借助ColQwen2+Milvus+Qwen3.5-397B-A17B，从零构建一个多模态 RAG（检索增强生成）系统，实现对 PDF 文档的智能问答。

01 

什么是多模态 RAG？

传统 RAG 的流程是：提取文本 → 文本向量化 → 检索文本 → LLM 读文本回答。

多模态 RAG的不同之处在于：

这样做的好处是：表格、图表、排版、手写批注等视觉信息全部保留，不会在 OCR 过程中丢失。

02 

架构概览

03 技术栈

04 实操

环境准备

1. 安装 Python 依赖

pip install colpali-engine pymilvus openai pdf2image torch pillow tqdm

2. 安装 poppler（PDF 渲染引擎）

# macOS

brew install poppler

# Ubuntu/Debian

sudo apt-get install poppler-utils

# Windows: 从 https://github.com/oschwartz10612/poppler-windows 下载

3. 下载 Embedding 模型

从 HuggingFace 下载 vidore/colqwen2-v1.0-merged 模型（约 4.4GB），放到本地目录：

mkdir -p ~/models/colqwen2-v1.0-merged

# 下载所有模型文件到该目录

4. 获取 OpenRouter API Key

前往 https://openrouter.ai/settings/keys 注册并获取 API Key。

分步实现

Step 1: 导入依赖和配置

import os, io, base64

import torch

import numpy as np

from PIL import Image

from tqdm import tqdm

from pdf2image import convert_from_path

from openai import OpenAI

from pymilvus import MilvusClient, DataType

from colpali_engine.models import ColQwen2, ColQwen2Processor

# 配置参数

EMBED_MODEL = os.path.expanduser("~/models/colqwen2-v1.0-merged")

EMBED_DIM = 128              # ColQwen2 输出向量维度

MILVUS_URI = "./milvus_demo.db"  # Milvus Lite 本地文件

COLLECTION = "doc_patches"

TOP_K = 3                    # 检索返回的页数

CANDIDATE_PATCHES = 300      # 每个 query token 的候选 patch 数

# OpenRouter LLM

OPENROUTER_API_KEY = os.environ.get(

    "OPENROUTER_API_KEY",

    "<your-api-key-here>",

)

GENERATION_MODEL = "qwen/qwen3.5-397b-a17b"

# 设备选择

DEVICE = "cuda" if torch.cuda.is_available() else "cpu"

DTYPE = torch.bfloat16 if DEVICE == "cuda" else torch.float32

print(f"Device: {DEVICE}")

输出：Device: cpu

Step 2: 加载 Embedding 模型

ColQwen2 是一个视觉语言模型，能够将文档图片编码为ColBERT 式多向量表示。每页文档会产生数百个 128 维的 patch 向量。

print(f"Loading embedding model: {EMBED_MODEL}")

emb_model = ColQwen2.from_pretrained(

    EMBED_MODEL,

    torch_dtype=DTYPE,

    attn_implementation="flash_attention_2" if DEVICE == "cuda" else None,

    device_map=DEVICE,

).eval()

emb_processor = ColQwen2Processor.from_pretrained(EMBED_MODEL)

print(f"Embedding model ready on {DEVICE}")

输出

Step 3: 初始化 Milvus 向量数据库

使用 Milvus Lite（本地文件模式），零配置，无需启动服务。

数据库结构说明：

-id: INT64，自增主键

-doc_id：INT64，文档页码（第几页）

-patch_idx：INT64，该页内的第几个 patch

-vector：FLOAT_VECTOR(128)，patch 的 128 维向量

milvus_client = MilvusClient(uri=MILVUS_URI)

if milvus_client.has_collection(COLLECTION):

    milvus_client.drop_collection(COLLECTION)

schema = milvus_client.create_schema(auto_id=True, enable_dynamic_field=True)

schema.add_field("id", DataType.INT64, is_primary=True)

schema.add_field("doc_id", DataType.INT64)

schema.add_field("patch_idx", DataType.INT64)

schema.add_field("vector", DataType.FLOAT_VECTOR, dim=EMBED_DIM)

index = milvus_client.prepare_index_params()

index.add_index(field_name="vector", index_type="FLAT", metric_type="IP")

milvus_client.create_collection(COLLECTION, schema=schema, index_params=index)

print("Milvus collection created.")

输出：Milvus collection created.

Step 4: PDF 转图片

将 PDF 每页渲染为 150 DPI 的图片。这一步不做任何文本提取——直接把文档当作"图"来处理。

PDF_PATH = "Milvus vs Zilliz.pdf"  #替换成自己的PDF文档

images = [p.convert("RGB") for p in convert_from_path(PDF_PATH, dpi=150)]

print(f"{len(images)} pages loaded.")

# 预览第一页

images[0].resize((400, int(400 * images[0].height / images[0].width)))

输出：

Step 5: 编码图片并写入 Milvus

用 ColQwen2 将每页图片编码为多向量 patch embeddings，然后逐条插入 Milvus。

# 编码所有页面

all_page_embs = []

with torch.no_grad():

    for i in tqdm(range(0, len(images), 2), desc="Encoding pages"):

        batch = images[i : i + 2]

        inputs = emb_processor.process_images(batch).to(emb_model.device)

        embs = emb_model(**inputs)

        for e in embs:

            all_page_embs.append(e.cpu().float().numpy())

print(f"Encoded {len(all_page_embs)} pages, ~{all_page_embs[0].shape[0]} patches per page, dim={all_page_embs[0].shape[1]}")

输出：

Encoded 17 pages, ~755 patches per page, dim=128

# 插入 Milvus

for doc_id, patch_vecs in enumerate(all_page_embs):

    rows = [

        {"doc_id": doc_id, "patch_idx": j, "vector": v.tolist()}

        for j, v in enumerate(patch_vecs)

    ]

    milvus_client.insert(COLLECTION, rows)

total = milvus_client.get_collection_stats(COLLECTION)["row_count"]

print(f"Indexed {len(all_page_embs)} pages, {total} patches total.")

输出：

Indexed 17 pages, 12835 patches total.

也就是说，上传的 17 页的 PDF 为例，会产生 12,835 条 patch 向量记录（每页约 755 个 patch）。

Step 6: 检索——查询编码 + MaxSim 重排序

这是整个系统的核心检索逻辑：

1. 将用户问题编码为多个 token 向量
2. 每个 token 向量在 Milvus 中搜索最相似的 patch
3. 按文档（页码）聚合分数，找到最相关的 TOP_K 页

>MaxSim 原理：对于查询的每个 token 向量，找到文档中最匹配的 patch（最大内积），然后将所有 token 的最大匹配分数求和，作为该文档的总分。分数越高，说明文档与查询的语义匹配度越高。

question = "What is the difference between Milvus and Zilliz Cloud?"

# 1. 编码查询

with torch.no_grad():

    query_inputs = emb_processor.process_queries([question]).to(emb_model.device)

    query_vecs = emb_model(**query_inputs)[0].cpu().float().numpy()

print(f"Query encoded: {query_vecs.shape[0]} token vectors")

# 2. 逐 token 搜索 Milvus

doc_patch_scores = {}

for qv in query_vecs:

    hits = milvus_client.search(

        COLLECTION, data=[qv.tolist()], limit=CANDIDATE_PATCHES,

        output_fields=["doc_id", "patch_idx"],

        search_params={"metric_type": "IP"},

    )[0]

    for h in hits:

        did = h["entity"]["doc_id"]

        pid = h["entity"]["patch_idx"]

        score = h["distance"]

        doc_patch_scores.setdefault(did, {})[pid] = max(

            doc_patch_scores.get(did, {}).get(pid, 0), score

        )

# 3. MaxSim 聚合：每个文档的总分 = 所有匹配 patch 的分数之和

doc_scores = {d: sum(ps.values()) for d, ps in doc_patch_scores.items()}

ranked = sorted(doc_scores.items(), key=lambda x: x[1], reverse=True)[:TOP_K]

print(f"Top-{TOP_K} retrieved pages: {[(d, round(s, 2)) for d, s in ranked]}")

输出：

Query encoded: 24 token vectors

Top-3 retrieved pages: [(16, 161.16), (12, 135.73), (7, 122.58)]

#展示检索到的页面

context_images = [images[d] for d, _ in ranked if d < len(images)]

for i, img in enumerate(context_images):

    print(f"--- Retrieved page {ranked[i][0]} (score: {ranked[i][1]:.2f}) ---")

    display(img.resize((500, int(500 * img.height / img.width))))

展示检索到的页面结果：

Step 7: 多模态 LLM 生成回答

将检索到的页面原始图片（不是文本！）连同用户问题一起发送给 Qwen3.5 多模态大模型。LLM 直接"看图"来回答问题。

def image_to_uri(img):

    """将图片转为 base64 data URI，用于发送给 LLM"""

    img = img.copy()

    w, h = img.size

    if max(w, h) > 1600:

        r = 1600 / max(w, h)

        img = img.resize((int(w * r), int(h * r)), Image.LANCZOS)

    buf = io.BytesIO()

    img.save(buf, format="PNG")

    return f"data:image/png;base64,{base64.b64encode(buf.getvalue()).decode()}"

# 构建多模态 prompt

context_images = [images[d] for d, _ in ranked if d < len(images)]

content = [

    {"type": "image_url", "image_url": {"url": image_to_uri(img)}}

    for img in context_images

]

content.append({

    "type": "text",

    "text": (

        f"Above are {len(context_images)} retrieved document pages.\n"

        f"Read them carefully and answer the following question:\n\n"

        f"Question: {question}\n\n"

        f"Be concise and accurate. If the documents don't contain "

        f"relevant information, say so."

    ),

})

# 调用 LLM

llm = OpenAI(api_key=OPENROUTER_API_KEY, base_url="https://openrouter.ai/api/v1")

response = llm.chat.completions.create(

    model=GENERATION_MODEL,

    messages=[{"role": "user", "content": content}],

    max_tokens=1024,

    temperature=0.7,

)

answer = response.choices[0].message.content.strip()

print(f"Question: {question}\n")

print(f"Answer: {answer}")

输出结果：

尾声

以上教程仅为基础版本实践参考，可以用于企业知识库部署、论文检索等对PDF有强需求的场景。

它的优势在于，少了传统传统 RAG 通过PyPDF2等工具或OCR完成PDF文本提取、对文本做分词处理、生成单向量Embedding，这些繁琐的环节。

而且面对扫描件PDF、图文混排文档、含公式与表格的专业资料，或是加密PDF时，都能完整保留所有视觉信息，从根本上杜绝了文本提取带来的误差。

此外，ColBERT式多向量表示，通过将每页图片拆分为约755个128维的patch向量，可以让匹配粒度精细到视觉局部；再搭配MaxSim重排序逻辑，用查询的每个token向量匹配最相关的patch，再聚合文档分数，能精准锁定与问题最相关的页面，大幅提升检索的精准度与召回率，效果远胜传统单向量方案。

这套架构唯一的小代价，是ColQwen2约4.4GB的模型体积，以及图片编码比文本编码稍高的推理耗时，但对比它带来的检索精度与兼容性提升，在绝大多数实际场景中，都是完全可以接受的。

文章来自于“Zilliz”，作者 “王舒虹”。