多模态检索

在多模态人工智能领域，视觉-语言对齐一直是核心挑战之一。传统的CLIP模型虽然在短文本图像检索上表现出色，但在处理长文本描述时却暴露出明显的局限性：随着文本描述的详细化，模型的匹配分数不升反降，这与人类的认知逻辑背道而驰。最近，中国联通数据科学与人工智能研究院团队在AAAI 2026上发表的研究成果HiMo-CLIP，通过创新的语义层级建模方法，成功解决了这…