IXThinker·2025-12-02 14:40

聯通HiMo-CLIP破長文本圖像檢索難題

描述得越詳細，圖文匹配分數就應越高——這是常識，現有CLIP模型卻做不到。中國聯通研究院團隊的HiMo-CLIP研究成果入選AAAI 2026口頭報告，突破了這一局限。

CLIP的盲點

現有CLIP模型在長文本圖像檢索上存在結構化問題：描述愈詳細，匹配分數未必愈高，與常識相悖。視覺—語言對齊長期忽視這一痛點，制約了多模態檢索的精度。