打破跨模态干扰，快手东北大学联合提出统一多模态框架，横扫多模态检索基准

梦晨
2025-06-09
17:47:33

来源：量子位

UNITE团队 投稿
量子位 | 公众号 QbitAI

多模态检索是信息理解与获取的关键技术，但其中的跨模态干扰问题一直是一大难题。

可行的解决办法是构建一种统一的多模态表示方式，为此，来自快手与东北大学的研究人员推出了多模态统一嵌入框架——UNITE。

UNITE的核心目标，就是构建一个能同时处理文本、图像、视频及其融合模态输入的统一嵌入器。

它从数据策划与训练机制两个关键视角出发，用对比学习的机制重新定义了统一多模态表示学习的范式。

在细粒度检索、指令检索等多个评测中，UNITE框架都斩获了最佳成绩。

模态感知对比学习，缓解跨模态干扰

在多模态检索任务中，不同模态（文本、图像、视频）天然存在分布差异。

如果在训练时将所有模态混合进行对比学习，会导致表示空间产生语义扭曲或干扰噪声，影响模型对各模态语义的准确建模。

为了解决这一挑战，UNITE团队提出了Modal-Aware Masked Contrastive Learning（MAMCL）这一对比学习机制，能显著缓解跨模态“相互干扰”。

在传统InfoNCE损失下，模型会尝试最大化正样本对之间的相似度，并最小化其与负样本之间的相似度：

但这种方式不能区分模态组合，例如，一个query的正样本为文本模态，但其负样本可能是图像、视频或者其他模态组合。这可能导致模型用图像来学文本相似度，产生模态冲突。

MAMCL的核心思想是模态掩码约束，也就是只在与当前query目标模态一致的负样本中进行对比，从而避免模态间的错误竞争。

给定一个批次中个query，每个query（）对应一个正样本和个负样本，构造相似度矩阵：

其中是第个候选样本，是温度系数。

接下来引入模态掩码矩阵，用于标记候选样本与正样本模态是否一致：

其中表示提取候选样本的模态标签（例如 text, image, video, text+video）。

然后，构造模态感知掩码相似度矩阵:

这一步确保在计算损失时，仅考虑模态一致的样本。

最终，MAMCL损失定义为（p是当前query对应的正样本索引）：

为了平衡泛化能力与判别能力，UNITE采用了“检索适应 + 指令微调”的两阶段训练方案：

• 检索适应阶段，使用text-text、text-image、text-video等多模态数据训练模型的基本检索能力，同时引入高粒度视频-文本数据，显著提升模型的细粒度区分能力；
• 指令微调阶段，基于MMEB、CoVR等复杂多模态指令任务训练，增强模型的指令遵循能力和扩展性。

多个评测中斩获最佳成绩

在细粒度检索、指令检索等多个评测中，UNITE框架都斩获了最佳成绩。

图像-文本检索任务中，在ShareGPT4V、Urban1K和DOCCI上，UNITE显著超越E5-V和VLM2Vec等模型；

视频-文本检索方面，UNITE的2B模型在CaReBench三个子任务（General/Spatial/Temporal）中的General和Spatial里超越了前SOTA，7B模型以显著领先水平刷新当前最好表现。

UNITE 7B在CaReBench上分别达到86.0，86.9，86.5，84.8，52.4，55.4。

指令检索任务里，作者的UNITE系列模型也在多个数据集上表现出色。

具体来说，在涵盖分类、VQA、检索、定位四类任务共36个数据集的MMEB Benchmark中，UNITE 7B达到了最优性能70.3，超越了更大规模的模型mmE5 11B (69.8) 和IDMR 26B (69.2)。

在合成视频检索任务CoVR上，UNITE 2B和UNITE 7B达到了69.1和72.5，均明显领先于现有SOTA模型(60.1)。

为验证其通用性，团队还在多个标准跨模态检索任务上进行了评估。在Flickr30K、MSR-VTT、MSVD、DiDeMo任务上，展现了良好的通用表征能力。

综合来看，UNITE支持文本、图像、视频及融合模态内容，并展现了综合最优性能。

其可视化结果如下：

另外在实验过程当中，作者还有三个关键发现。

一是视频-文本数据具备“统一模态”的核心能力。

具体来说，视频-文本对数据在所有配置中表现最为突出，不仅在视频检索任务中遥遥领先（如MSR-VTT、MSVD），甚至在图文检索任务中也超越了基于图像-文本对训练的模型。

二是指令类任务更依赖文本主导的数据支撑——

尽管视频-文本对数据在一般检索任务中表现出色，但在复杂检索指令跟随类任务（如MMEB、CoVR）中，其优势反而不明显。

这类任务需要模型理解长文本、复杂逻辑或多阶段指令，研究认为，Text–Text数据提升了语言理解与逻辑构建能力，而Text–Image数据提供精准的视觉语义映射，利于模态对齐。

最后，细粒度Text-Video样本的添加策略影响巨大，直接在第一阶段“检索适应”中融合细粒度视频-文本样本，能带来整体性能最优解，相比传统“先对齐后微调”的做法更加有效且高效。

更多方法和实验细节，请参照论文。

论文链接：https://arxiv.org/pdf/2505.19650
代码链接：https://github.com/friedrichor/UNITE
项目链接：https://friedrichor.github.io/projects/UNITE
模型/数据链接：https://huggingface.co/collections/friedrichor/unite-682da30c4540abccd3da3a6b

Read More