多模态检索新突破，用软标签打破传统刚性映射约束，全面超越CLIP｜AAAI 2026 Oral

UniME-V2团队投稿
量子位 | 公众号 QbitAI

统一多模态嵌入模型是众多任务的技术基石。

当前主流方法通常采用批内负例挖掘策略，通过计算查询-候选对的相似度进行训练。

但这类方法存在明显局限：难以捕捉候选样本间细微的语义差异，负例样本多样性不足，且模型在区分错误负例与困难负例时的判别能力有限。

针对这些问题，团队提出全新解决方案——基于多模态大模型语义理解能力的统一多模态嵌入模型UniME-V2。

该方法首先通过全局检索构建潜在困难负例集，随后创新性地引入“MLLM-as-a-Judge”机制：利用MLLM对查询-候选对进行语义对齐评估，生成软语义匹配分数。

这一设计带来三重突破：

以匹配分数为依据实现精准困难负例挖掘，有效规避错误负例干扰
确保筛选出的困难负例兼具多样性与高质量特性
通过软标签机制打破传统一对一的刚性映射约束

通过将模型相似度矩阵与软语义匹配分数矩阵对齐，使模型真正学会辨析候选样本间的语义差异，显著提升判别能力。

为进一步提升性能，团队基于挖掘的困难负例训练出重排序模型UniME-V2-Reranker，采用配对与列表联合优化策略。

图1 UniME-V2与以往方法的本质不同，在于巧妙利用了多模态大模型（MLLM）的深层语义理解能力。它不仅能用此能力精准挖掘“困难负例”，更能生成一个软语义匹配分数，如同一位资深导师，指导模型学会辨别候选样本间微妙的语义差异。

方法

MLLM-as-a-Judge 困难负样本挖掘

过去的研究主要依赖于批内硬负样本挖掘，其中计算查询-候选嵌入相似性以采样负样本。

然而，这种方法通常受到负样本多样性有限和嵌入判别能力不足的困扰，难以有效区分错误和困难的负样本。

为了克服这些挑战，如图2所示，首先利用全局检索构建一个潜在的困难负样本集。

之后，利用MLLM的强大理解能力来评估每个查询-候选对的语义对齐性，并生成软语义匹配分数。

这个分数指导了硬负样本挖掘，使得能够识别出多样化和高质量的困难负样本，同时减少错误负样本的影响。

图2：基于MLLM-as-a-Judge的困难负样本挖掘流程。我们首先利用现有的多模态嵌入模型进行全局检索，构建一个潜在的困难负样本集。然后，利用MLLM强大的理解能力根据语义对齐性对查询-候选对进行评分，从而精确识别困难负样本。

潜在困难负样本集合为了从全局样本中提取更高质量的困难负样本，首先使用VLM2Vec为查询和候选生成嵌入。

接着，为每个查询检索出50个最相关的候选。

为了应对错误负样本并增加多样性，我们基于查询-候选相似度分数设定一个相似度阈值 $\delta$ ，并选择前50名的候选作为潜在的困难负样本集 $\Omega_{p}$ ：

\Omega_{p} = \text{Rank}_{50}\left(\left\{x_1, \dots, x_n\right\}\right), \text{where } x_i < \delta,

其中 $x_i$ 是由VLM2Vec模型计算得出的查询 $q$ 与候选 $\hat{\Omega}_{c}$ 的相似度分数。

语义匹配分数在构建潜在的困难负样本集 $\Omega_{p}$ 后，我们使用MLLM作为评判，为 $\Omega_{p}$ 中的每个查询-候选对计算语义匹配分数，具体指令如下：

随后，根据

\texttt{Yes}

（

e_y

）和

\texttt{No}

（

e_n

）标记的logits计算语义匹配分数

\mathrm{S} = \{s_1, s_2, \dots, s_m\}

，其中

s_i = \frac{e_y^i}{e_y^i + e_n^i}

。这里

\mathrm{S} \in \mathbb{R}^{n_q \times 50}

，

n_q

表示查询的数量。利用MLLMs的高级理解能力，语义匹配分数

\mathrm{S}

有效地捕捉了查询和候选之间的语义对齐程度。

困难负样本采样为了提高困难负样本的质量，利用语义匹配分数

\mathrm{S}

对候选进行精炼。

候选样本的分数超过阈值

\alpha = \sigma_{q, c_{t}} - \beta

（其中

c_{t}

表示正样本，

\beta

是控制阈值间隔的超参数）则会当作错误负样本并排除。为保持多样性，采用五步间隔的循环采样策略。

如果精炼后的集合包含的候选少于十个，将重复选择以确保至少有十个。

在极少数情况下（<1%），如果没有候选符合条件，将从最初的五十个候选中随机选择10个，并给每个分配1.0的语义匹配分数。

最后，对于每个查询

q

，我们获得困难负样本集

\Omega_h=\{c_1,...,c_k\}

及其相应的语义匹配分数

\mathrm{S_h}=\{s_{q,c_1},...,s_{q,c_k}\}

。

图3：基于MLLM判断的训练框架结构。UniME-V2使用软语义匹配分数作为监督信号，以增强候选者间的语义区分学习。UniME-V2-Reranker采用pairwise和listwise联合训练以提升重排序性能。

基于MLLM判断的训练框架

UniME-V2为此提出了一个基于MLLM判断的分布对齐框架，如图3所示，利用软语义匹配分数作为监督信号来提高表征性能。

具体来说，给定一个查询 $q$ 及其候选集 $\Omega_c = \{c_t, c_1,...,c_k\}$ ，将它们输入到MLLM中，并提取最后一个标记作为查询 $q$ 和候选集 $\mathrm{E_c} = \{e_c^+, e_{c_1}^-,..,e_{c_k}^-\}$ 的嵌入，其中 $e_c^+$ 是目标候选的嵌入， $k$ 是每个查询的困难负样本数。然后计算查询嵌入 $e_q$ 与候选嵌入 $\mathrm{E_c}$ 之间的关系得分矩阵如下：

\mathbb{P}(e_q, \mathrm{E_c}) = \frac{exp(cos(e_{q}, e_{c}^{+})/\tau)}{exp(cos(e_{q}, e_{c}^{+})/\tau) + \sum_{i=1}^{k}exp(cos(e_{q}, e_{c_{i}^{-}})/\tau)}.

基于语义匹配分数 $\mathrm{S_c}=\{s_{q,c_t},s_{q,c_1},...,s_{q,c_k}\}$ ，计算由MLLM判断得出的语义匹配分数矩阵 $\mathbb{Q}(\mathrm{S_c})$ 如下：

\mathbb{Q}(\mathrm{S_c}) = \frac{exp(s_{q, c_t}/\tau)}{exp(s_{q, c_t}/\tau) + \sum_{i=1}^{k}exp(s_{q, c_i}/\tau)}.

为了增强学习的稳健性并确保矩阵对称性，采用了JS-Divergence，这是KL-Divergence的一种对称替代。最终的损失函数 $\mathcal{L}$ 定义为：

\mathcal{L} = \frac{1}{2} (\frac{1}{N}\sum_{i=1}^{N}\mathrm{KL}(\mathbb{P}(e_i, \mathrm{E_c}) || \mathbb{Q}(\mathrm{S_c})) + \ \frac{1}{N}\sum_{i=1}^{N} \mathrm{KL}(\mathbb{Q}(\mathrm{S_c}) || \mathbb{P}(e_i, \mathrm{E_c})) ).

除此之外，受前人工作启发，UniME-V2联合pairwise和listwise训练了一个重排序模型UniME-V2-Reranker（如图3所示）来提高基于初始嵌入的检索精度。

在成对训练中，为每个查询 $q$ 构造两对，一对与正候选 $c_t$ 结合，另一对与最困难的负候选 $c_h$ 结合。然后指导UniME-V2-Reranker对正候选输出 $\texttt{YES}$ ，对负候选输出 $\texttt{NO}$ 。成对损失 $\mathcal{L}{pair}$ 使用交叉熵损失函数计算如下：

\mathcal{L}_{pair} = \mathcal{L}_{ce}(\mathrm{\texttt{YES}}, \eta(q, c_t)) + \mathcal{L}_{ce}(\mathrm{\texttt{NO}}, \eta(q, c_h)),

其中 $\eta$ 表示UniME-V2-Reranker的自回归输出过程。对于列表训练，基于语义匹配分数，从困难负候选中选择前 $x$ 个候选 ${c_1,...c_x}$ ，随机插入目标候选 $c_{t}$ 并获取其索引 $I_{c_{t}}$ 。

然后提示UniME-V2-Reranker输出真实位置，公式为：

\mathcal{L}_{list} = \mathcal{L}_{ce}(I_{c_{t}}, \eta(q, c_{t}, \{c_1,...c_x\})).

最终的损失函数定义为 $\mathcal{L} = \mathcal{L}_{pair} + \mathcal{L}_{list}$ 。

表1：MMEB基准测试结果。IND表示在分布内，OOD表示在分布外。分数为补充材料中的平均精度结果。

实验

多模态检索

表1展示了在相同训练数据和配置下UniME-V2与现有基线模型在MMEB基准上的性能对比。

UniME-V2在各种基础模型上均有显著的性能提升。

具体来说，UniME-V2在Qwen2-VL-2B和7B模型上分别比VLM2Vec高出3.5%和2.2%。

当基于LLaVA-OneVision作为基础时，UniME-V2比包括QQMM、LLaVE和UniME在内的之前的最先进模型提高了0.5%-0.9%。此外，UniME-V2在分布外数据集上的得分为66.7，凸显其鲁棒性和卓越的迁移能力。

表2：在短描述（Flickr30K, MS-COCO）、长描述（ShareGPT4V, Urban1K）和组合（SugarCrepe）数据集上的零样本文本-图像检索结果。

跨模态检索

如表2所示，在零样本跨模态检索任务上评估UniME-V2。对于短描述数据集，包括Flickr30K和MS-COCO，UniME-V2在图像到文本检索中比UniME表现出了2.2%-9.7%的性能提升。

在文本到图像检索中，其性能与UniME相当，这主要归因于两个因素：

（1）MMEB训练集中文本到图像数据的比例有限；

（2）短描述中的语义信息不足。

对于长描述跨模态检索任务，UniME-V2在ShareGPT4V和Urban1K上取得了显著改进，这得益于其增强的区分能力和详细描述提供的丰富语义内容。

值得注意的是，与EVA-CLIP-8B相比，UniME-V2展示了更为稳健的检索性能，这主要因为其通用多模态嵌入能显著减少模态间的差距（如图4所示）。

图4：EVA-CLIP-8B与UniME-V2（LLaVA-OneVision-7B）之间的表示分布对比。

组合跨模态检索

基于SugarCrepe评估UniME-V2模型区分困难负样本的能力。

如表2所示，UniME-V2在所有评估指标上均表现出卓越性能。

与UniME相比在使用Qwen2-VL-2B时性能提升了5.3%，6.0%，4.5%。当模型从2B扩展到7B后也实现了9.0%，9.2%，9.2%的性能提升。

此外，与EVA-CLIP-8B相比，UniME-V2还显示出2.7%，3.4%，和3.8%的改进，凸显其在区分困难负样本上的强大能力。

表3：使用UniME-V2 (Qwen2-VL-7B) 和 UniME-V2 (Qwen2-VL-2B) 比较LamRA与UniME-V2-Reranker的重排序性能。

重排序对比

在表3中基于top5检索结果对比了LamRA与UniME-V2-Reranker的性能。为确保公平，使用与LamRA相同的训练参数和基础模型（Qwen2.5-VL-7B）。

当使用LamRA和UniME-V2-Reranker对UniME-V2 (Qwen2-VL-2B) 检索结果进行重排后在四个下游任务上均提升了性能。

UniME-V2-Reranker在只使用一半数据的情况下始终获得更优结果。类似地，使用UniME-V2 (Qwen2-VL-7B) 进行检索时，UniME-V2-Reranker的表现也超过了LamRA，在四个任务中分别获得了0.5%，0.4%，0.3%，和7.4%的性能提升。

值得注意的是，UniME-V2-Reranker在组合理解检索任务中展示了对LamRA的显著优势，这归功于其利用MLLM的理解能力提取多样化和高质量的困难样本，有效增强了模型的区分能力。

论文：

https://arxiv.org/abs/2510.13515

GitHub：

https://github.com/GaryGuTC/UniME-v2

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

— 完 —

我们正在招聘一名眼疾手快、关注AI的学术编辑实习生 🎓

感兴趣的小伙伴欢迎关注 👉 了解详情

🌟 点亮星标 🌟

科技前沿进展每日见

内容中包含的图片若涉及版权问题，请及时与我们联系删除

多模态检索新突破，用软标签打破传统刚性映射约束，全面超越CLIP｜AAAI 2026 Oral

UniME-V2团队 投稿量子位 | 公众号 QbitAI

方法

MLLM-as-a-Judge 困难负样本挖掘

基于MLLM判断的训练框架

实验

评论列表

评论

UniME-V2团队投稿
量子位 | 公众号 QbitAI