视觉语言重排序

超越全局相似度：面向细粒度跨模态理解的多条件检索

Beyond Global Similarity: Multi-Conditional Retrieval for Fine-Grained Cross-Modal Understanding

为视觉研究者提供了一个诊断性基准，用于检验多模态检索器与视觉语言重排序器在自然语言多约束查询下的细粒度组合匹配能力；其发现（视觉线索主导早期排序精度、文本元数据稳定长尾排序、pointwise 重排序器通过显式验证查询-候选一致性显著提升匹配）可直接指导检索系统的重排序模块设计与多模态特征融合策略。