立场论文：通用VLM可作多模态重排器

一篇立场论文提出，多模态重排序不需要专用模型，通用视觉语言模型（VLM）通过 System One 式的快速决策即可充当重排器。 作者报告：在 MMEB-V2 图像检索上，该方式比逐候选做是/否提问的命中率（hit@1）高 5.4 至 7.3，且后者得分低于第一阶段结果；在 MMEB-V2 视觉文档上与 Reranker-8B 持平（nDCG@5 为 84.79 对 84.78），延迟是其 1.1 至 1.5 倍。作者称，仅用文本决策微调同一骨干得到的 JEV-27B-VL，将页面重排提升 0.6 至 1.1 分，多数任务有增益（符号检验 p≤0.017），自然图像上无变化。 论文同时指出，参与比较的零样本模型比监督重排器更大且代际更新，因此上述对比存在混杂因素。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。