arXiv 论文揭示混合模态检索器的文本偏好

Yubo Sun 等作者的预印本论文发现，稠密检索器在纯文本或纯图像语料上表现良好，但在文本与图像混合的语料中性能大幅下降，且无关文本比等量无关图像造成更严重的退化；作者将这一现象命名为 Chaos in the Text，并归因于模态偏好——文本表示会获得比语义对齐图像系统性更高的相似度分数。 作者提出 Trident 方法，联合训练文本、图像与融合三种视图。据其论文数据，Trident-Qwen3VL-2B 在 6 个视觉文档检索基准上把 Mix Avg NDCG@10 从 40.12 提升至 73.90。

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。