ReCALL團隊 投稿量子位 | 公眾號 QbitAI

生成式模型當(dāng)檢索器大材小用效果還不好？

當(dāng)多模態(tài)大模型（MLLM）憑借強大的圖文理解與邏輯推理能力成為AI領(lǐng)域的核心抓手，將其應(yīng)用于圖像檢索尤其是組合圖像檢索（CIR）任務(wù)，本應(yīng)是降維打擊的最優(yōu)解。

然而現(xiàn)實卻相悖：把生成式大模型強行改造為判別式檢索器后，模型會出現(xiàn)嚴重的能力退化，連原本100%能精準解決的問題都頻頻出錯，生成式與判別式的范式?jīng)_突，成為大模型向檢索領(lǐng)域落地的核心壁壘。

如今，這一行業(yè)難題被AI國家隊紫東太初團隊聯(lián)合新加坡國立大學(xué)成功攻克。其最新研究成果ReCALL框架，憑借獨創(chuàng)的“診斷-生成-校準”閉環(huán)體系，從根本上解決了大模型從生成式到判別式的范式?jīng)_突問題，讓大模型在保留原生細粒度推理能力的同時，完美變身高效檢索器

該成果已被計算機視覺頂會CVPR 2026正式錄用，在CIRR、FashionIQ等主流基準測試中全面刷新SOTA性能，更開辟了大模型下游任務(wù)能力無損適配的全新路徑，為多模態(tài)大模型的垂直領(lǐng)域落地奠定核心基礎(chǔ)。

行業(yè)痛點：范式?jīng)_突致大模型檢索“智能倒退”

為什么聰明的MLLM一做檢索就容易翻車？作者團隊一針見血地指出了問題的核心：范式?jīng)_突（Paradigm Conflict）

原生的大模型習(xí)慣于生成式范式，它通過一步步的鏈式思考（Step-wise reasoning）來理解細粒度的視覺關(guān)系。但是，現(xiàn)有的檢索適配方法往往采用判別式范式，強行把大模型的高維思考壓縮成一個單一的向量，去計算相似度。

這種暴力的轉(zhuǎn)變直接導(dǎo)致了一個致命后果——能力退化（Capability Degradation）

如上圖左側(cè)所示，面對“地板上的兩只同品種狗”這樣需要細粒度推理的查詢時，原生的大模型（F）通過VQA問答可以輕松鎖定目標。然而，經(jīng)過傳統(tǒng)微調(diào)后的檢索器版本（Rbase）卻完全喪失了這種細粒度grounding能力，找出的全是錯誤的圖。

定量數(shù)據(jù)更令人震驚：在原生大模型原本能夠100%找對的子集上，微調(diào)后的檢索器在CIRR數(shù)據(jù)集上R@1暴跌至62.33%，在FashionIQ上暴跌至55.80%。模型不僅沒有學(xué)到新東西，反而把原本自帶的推理天賦給弄丟了！

破局之道：ReCALL四階段校準框架

既然能力退化是因為初期的檢索微調(diào)把大模型“帶偏了”，那怎么把它拉回正軌？

作者提出了一個通用的框架ReCALL。它的核心思想非常巧妙：用大模型原生的推理信號，來糾正檢索空間中的盲區(qū)。實際上，整個閉環(huán)被嚴密地劃分為四個階段，其中第一階段完成了基礎(chǔ)的檢索器初始化并暴露出退化問題，后三個階段則是極其優(yōu)雅的“診斷-生成-打磨”校準管線：

Stage 1：基礎(chǔ)檢索適配（Baseline Adaptation）。為了讓生成式大模型具備基本的圖文檢索功能，研究人員首先用標準的InfoNCE損失函數(shù)，將原生大模型（F）微調(diào)成一個基礎(chǔ)檢索器（Rbase）。這一步雖然賦予了模型基礎(chǔ)的判別與檢索能力，但也正是這種暴力的單向量壓縮，誘發(fā)了前文提到的“能力退化”癥狀。

Stage 2：自我診斷（Diagnose）。俗話說“錯題本是最好的老師”。有了基礎(chǔ)檢索器后，讓它在訓(xùn)練集上跑一遍，專門挑出那些它“找錯”的樣本（Informative Instances）。這些能高分騙過檢索器的負樣本，往往和正確答案有著極細微的視覺差別，它們正是模型能力退化、認知最模糊的“盲區(qū)”。

Stage 3：生成校正（Generate）。拿著這些挑出來的錯題，作者團隊并沒有簡單粗暴地讓原生大模型（F）重新“看圖說話”，而是精心設(shè)計了一套包含嚴密邏輯的鏈式思考（CoT）誘導(dǎo)機制。具體而言，這個“講題”過程被巧妙地拆解為兩個核心步驟：

① 意圖分解與驗證（Intent Decomposition & Verification）：大模型首先會將原始的修改指令拆解成一個個“原子意圖”，并挨個對照參考圖和找錯的圖進行核查，精準定位出到底哪一個細粒度意圖在錯圖中被違背了。

② 最小編輯合成（Minimal Edit Synthesis）：在抓住了矛盾點后，大模型會保留那些依然成立的意圖，僅僅重寫被違背的部分，從而“打補丁”式地合成出一條全新的修改指令。

通過這種極其精巧的設(shè)計，框架自動生成了從“參考圖”指向“錯圖”的全新糾錯三元組。這種從原文本到新文本的“極小幅文字編輯”，在視覺上直接鏡像了真實目標圖與強干擾錯圖之間極其微妙的差異，從而為檢索模型提供了極其顯式、高密度的細粒度圖文對齊監(jiān)督信號。

更重要的是，這種嚴格遵循“最小編輯原則”的生成方式，絕非無拘無束的文本發(fā)散，它最大程度地保證了新構(gòu)建的訓(xùn)練三元組與原始數(shù)據(jù)集在數(shù)據(jù)分布上的高度一致性。最后，再輔以VQA（視覺問答）級別的語義一致性過濾，剔除掉幻覺和噪音，確保送入模型微調(diào)的“糾錯信號”不僅直擊痛點，而且絕對高保真。

Stage 4：針對性打磨（Refine）。有了精確的糾錯指令，最后一步就是通過分組對比學(xué)習(xí)（Grouped Contrastive Refinement）來完成進化。框架會把原查詢和對應(yīng)的糾錯查詢打包放在同一個批次里“對沖”，配合雙重優(yōu)化目標，逼迫檢索器去明確區(qū)分那些極其細微的視覺-語義邊界，最終將原生大模型的細粒度推理能力完美內(nèi)化。

通過這套組合拳，檢索器不僅重新找回了丟失的細粒度推理能力，還將其完美內(nèi)化到了自己的向量空間中。

實測成績：全場景刷新SOTA，細粒度檢索能力拉滿

ReCALL的有效性在各大主流基準測試中得到了驗證。

• CIRR開放域復(fù)雜數(shù)據(jù)集上，ReCALL創(chuàng)造了55.52%的R@1新SOTA，相較于基線模型實現(xiàn)了8.38%的相對提升！在專門考察細粒度區(qū)分能力的子集上（R_{subset}@1），更是達到了恐怖的81.49%。
• FashionIQ細粒度時尚數(shù)據(jù)集上，即便面對極度相似的服裝干擾項，ReCALL依然取得了最好的表現(xiàn)，平均R@10達到57.04%

看看上面的實際檢索案例，基線模型遇到“正視鏡頭”、“半袖”這種細粒度條件直接懵圈；而經(jīng)過ReCALL校準后的模型，眼光毒辣，精準鎖定目標！

結(jié)語

ReCALL的成功不僅在于刷新了組合圖像檢索的性能上限，更在于它揭示并修復(fù)了多模態(tài)大模型在向下游任務(wù)遷移時的一道隱形裂痕。

大模型做檢索，不應(yīng)只是粗暴地將高維的“生成式智慧”壓縮降維成單一的“判別式向量”。從“盲目對齊”到“診斷—生成—內(nèi)化”的邏輯閉環(huán)，大模型的檢索適配正在進入一個強調(diào)保留與激發(fā)原生推理能力的新階段。

當(dāng)我們不再一味追求用海量外部數(shù)據(jù)去“喂”出一個檢索器，而是教會模型用自己的思維鏈去剖析錯題、縫合認知盲區(qū)時，它不僅找回了丟失的細粒度感知，更展示了生成與判別兩大范式走向和解的可能。

這或許是大模型在諸多垂直領(lǐng)域真正實現(xiàn)“能力無損適配”的重要一步。

論?鏈接：
https://arxiv.org/abs/2602.01639
項?代碼：
https://github.com/RemRico/Recall