近年来随着多模态大语言模型MLLM的快速发展研究者们开始尝试将其应用于通用多模态检索任务。与此同时思维链Chain-of-ThoughtCoT推理被引入检索领域通过增强模型的推理能力来改善候选结果的排序。然而一个重要问题始终未能得到解决现有的推理过程本质上仍然是语言驱动的模型无法在推理过程中主动获取和验证视觉细节因此在面对相似的候选图片时容易“瞎猜”。近日清华大学联合、复旦大学、香港大学等机构推出了首个基于“Interleaved Reasoning”的通用多模态检索框架 V-Retrver。该框架将传统检索重塑为智能体推理过程让多模态大模型学会在检索时主动调用视觉工具来验证细节而非仅凭静态的图像表征进行判断。目前研究团队已将代码和模型权重开源。“从 2025 年初开始推理模型开始火起来很多工作把推理模型用在下游任务多模态检索就是其中之一。”团队成员向 DeepTech 表示“但现在这些推理模型的 CoT 过程是从文本推理的。问题在于多模态检索的输入是多张图像你要从十张候选图片中找到最相关的那张仅靠文本推理会产生幻觉。”这种局限在视觉模糊的检索场景中尤为明显。尤其当候选图片在语义上高度相似仅在细节上存在差异时。比如同样是白色沙发只是抱枕纹理不同模型往往无法准确区分。传统方法将视觉输入压缩成固定的特征向量或文本描述迫使推理过程完全依赖语言来推断视觉差异结果就是模型只能瞎猜。来源论文更关键的是现有模型看图是“一次性”的。用了一个形象的比喻“传统模型看完图就凭印象做题面对复杂的图文交错检索它们无法在推理遇到瓶颈时主动去验证视觉细节。”这种走马观花式的视觉处理方式导致模型在需要精细判断时表现不佳。让模型学会“放大找细节”V-Retrver 的核心理念是将多模态检索重新定义为一个“多模态思维链的推理过程”。与传统的单次推理不同模型在推理过程中可以主动调用外部视觉工具来获取更多信息就像人在看不清某个细节时会把图片放大仔细看一样。团队表示这是首个将交错推理Interleaved Reasoning应用于多模态图像检索的工作。此前的相关研究主要集中在简单的图像理解和视频理解任务上例如单图问答场景。论文作者之一以一个具体场景说明了这一过程“假设输入是一段文字描述需要从 10 张候选图片中找到最相关的一张。模型在分析过程中如果发现某张图片的关键细节看不清楚就会调用工具对该区域进行局部放大后再做判断。比如查询文本提到‘桌上放着某个物品’而这个物品在图像中位置较小、较模糊模型就需要放大查看才能做出准确判断。”这种“边看边想”的过程与人类的认知方式很像当我们在网购时遇到相似的商品也会点开大图看买家秀细节来做出对比和判断。这种“产生疑问→调取工具核实→得出结论”的逻辑闭环正是 V-Retrver 区别于传统方法的关键所在。三阶段训练从“学会用工具”到“聪明地用工具”让模型学会何时以及如何使用这些视觉工具并非易事。V-Retrver 采用了三阶段的课程学习策略。第一阶段是监督微调SFT目标是教会模型基本的工具调用能力。“我们使用 LLM 来合成训练数据这批数据包含了检索过程中调用工具的示例让模型学会何时以及如何调用工具。”作者表示这个阶段的数据质量至关重要也是整个训练过程中最具挑战性的环节之一。SFT 阶段的训练量需要精心控制。作者指出这里存在两个极端训练过度会导致模型在强化学习阶段过度依赖工具对每个样本都尝试调用训练不足则会使模型无法掌握工具调用能力。第二阶段是拒绝采样微调RSFT通过筛选高质量的推理轨迹来提升模型的推理可靠性和格式合规性为后续的强化学习提供稳定的初始化。第三阶段是证据对齐策略优化EAPO这是基于 GRPO 算法的强化学习过程。“我们设计了一个工具调用奖励机制”作者解释道“当模型在推理过程中合理调用工具时会获得正向奖励。我们希望模型能够适度使用工具进行验证而非完全不用或过度依赖。”来源论文经过强化学习训练后模型能够实现自适应的工具调用。有些问题需要调用工具来验证细节有些则不需要模型会自主判断。性能提升显著泛化能力突出在通用多模态检索基准 M-BEIR 上V-Retrver-7B 取得了 69.7% 的平均召回率相比此前最强的 U-MARVEL-7B 提升了近 5 个百分点相对基础的 Qwen2.5-VL-7B 模型则提升了 23%。来源论文值得注意的是V-Retrver 在需要精细视觉判断的任务上表现尤为突出。在 FashionIQ 数据集上达到 51.2%在 CIRR 数据集上达到 73.5%分别比 U-MARVEL-7B 高出 13 个和 10 个百分点。这验证了多模态交错推理在处理细粒度视觉差异时的有效性。在零样本泛化测试中V-Retrver 同样表现优异。在从未见过的 CIRCO 数据集上取得了 48.2 的 MAP5 成绩显著超过 MM-Embed-7B 等专业检索模型。消融实验进一步证实了视觉工具的价值如果剥夺 V-Retrver 的视觉工具只让它做纯文本的 CoT 推理平均性能会从 67.2% 跌至 61.8%。来源论文团队在论文中也坦诚地表明了当前工作的局限性。最明显的是推理成本问题相比传统的 embedding 方法V-Retrver 需要更多的计算资源和时间。“我们在这个工作中没有专门做权衡这确实是一个问题也是后续可以继续研究的方向。”另一个局限是视觉工具的种类相对有限目前只有 ZOOM-IN 和 SELECT-IMAGE 两种。研究团队计划在后续工作中引入更多类型的工具其中包括网络搜索工具。作者以一个例子说明了引入 web search 工具的潜在价值假设检索目标是“穿着黄色衣服的拿破仑”但候选图片中存在其他穿着相似服装且外貌接近的人物仅凭服装颜色难以区分。此时模型可以通过网络搜索获取拿破仑的其他标志性特征并将这些信息作为辅助依据提升检索的准确性。V-Retrver 的出现标志着多模态检索研究从“静态编码 语言推理”向“动态感知 交错推理”的范式转变。它证明了一个朴素而重要的道理在处理视觉任务时模型不仅需要“想”更需要“看”。而且要学会在需要的时候主动去“仔细看”。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】