当前行业对多模态技术的讨论热度持续攀升，这一概念承载着众多期待。然而，真正实现落地应用，不能仅停留在概念层面，关键在于底层技术如何协同运作。本文将深入剖析多模态检索系统的几大核心组件，并解析它们在真实场景中的实际作用。

多模态检索核心技术

一个成熟的多模态检索系统，其架构主要由三大关键组件构成：检索器、重排序器和精炼器。它们各司其职，构成一条高效的处理流水线。

检索器

按照技术路线，检索器主要分为单/双流结构和生成式结构。不同类型在处理单模态与跨模态信息时各自具备独特优势。

单/双流检索

先看单流与双流结构——两者的核心差异在于“融合”的时机与方式。

• 单流结构：相当于一个“多模态融合舱”，在统一的语义空间中对图像与文本信息进行联合建模，能够捕捉到极为细粒度的交互。其代价是计算成本高、推理速度慢。
• 双流结构：将视觉与语言分别独立处理，再通过对比学习在共享语义空间中完成全局特征对齐。优势是速度快，但缺乏显式的多模态交互；并且由于视觉与文本信息的不平衡（例如数据集中的短标题），特征对齐常常面临挑战。

单模态检索

在单模态领域，文本检索是最基础且最成熟的技术。

• 稀疏文本检索：TF-IDF、BM25等经典方法至今仍广泛使用，它们在跨域迁移、检索效率与整体有效性之间取得了良好平衡。后续的DeepCT、HDCT等工作进一步增强了语义表达能力。
• 密集文本检索：以BERT、RoBERTa、Poly-encoder、ColBERT等为代表。其核心思路是将查询与文档映射为低维欧几里得空间中的稠密向量，通过向量间“距离”衡量语义相关性。

跨模态检索

这是多模态技术真正发挥威力的领域。

• 文本-图像检索：核心在于捕捉文本与图像之间的语义关联。现有思路大多基于视觉语言预训练模型（VLP），利用海量图文对数据进行联合训练。例如，TEAM采用单流模型实现细粒度token级匹配；COTS走双流路线，将对比学习与更细致的交互结合。此外，IRRA、CSIC等工作尝试用掩码、量化等不同机制提升对齐精度。
• 文本-视频检索：难度高于图文检索，需要同时理解内容、时间动态、场景转换等复杂因素。CLIP4Clip作为经典工作，将CLIP模型迁移至视频领域并分析了时间依赖关系。后续VoP引入提示微调，Cap4Video则使用GPT-2生成辅助字幕，思路愈发巧妙。
• 文本-音频检索：挑战在于弥合离散文本与连续音频信号之间的鸿沟。例如TAP-PMR设计了让文本关注相关音频帧的注意力机制；CMRF利用强化学习增强音频-歌词匹配。
• 统一模态检索：更进一步，部分工作尝试在统一模型架构中处理文本、图像、视频等多种混合模态数据。UniIR通过指令调优实现单一模型完成多种检索任务；ColPali则直接根据文档的视觉特征进行检索，颇具创新性。

生成式检索

生成式检索思路截然不同：不再将内容转化为向量再“查找”，而是让模型直接“生成”结果。其核心包括模型训练与文档标识符（DocID）。模型需学习将查询映射到对应的DocID，该DocID通常是密集的低维嵌入或结构化表示，用以捕获文档核心内容。

• 文本模态：可使用相对固定的静态DocID（如DSI），或在训练过程中不断优化DocID（如GLEN），使其更贴合文档语义。
• 跨模态：IRGen通过语义图像分词器将图像转化为可“生成”的离散视觉token。GeMKR则巧妙地将大型语言模型（LLM）与视觉特征融合，先生成知识线索，再检索最相关文档。

重排序技术

检索器获取大量候选文档后，其相关性参差不齐。重排序器的作用是对候选列表进行“深度清洗”，将最顶级、最相关的结果排至前列。其核心通常是一个更强大的交叉注意力模型，能深入评估查询与文档之间的关联。

微调作为重排序器

通过对强大的语言模型进行微调，可使其胜任重排序任务。

• 仅编码器：monoBERT是代表，将查询-文档对拼接，从[CLS]token表示中提取相关性分数。
• 编码器-解码器：将排序任务视为生成任务，例如微调T5模型使其生成“真”或“假”判断相关性，或像RankT5直接生成数值评分。ListT5甚至能同时处理多个文档，直接输出重新排序后的列表。
• 仅解码器：RankLLaMA等模型通过设计巧妙的提示格式，利用最后一个token的表示进行相关性评分。PE-Rank将文档压缩为嵌入，大幅减少输入长度，提升效率。值得注意的是，在跨模态场景下，RagVLRETRIEVAL引入知识增强的重排序方案，通过对MLLM进行指令调优精准过滤检索到的图像。

提示作为重排序器

除微调外，直接使用“提示”来“指挥”预训练模型进行排序也是一个活跃方向。其策略分为三类：

• 逐点法：逐个评估查询与单个文档的相关性后排序。MCRanker通过多视角标准消除偏差。
• 成对法：将查询与文档对输入模型，判断哪个更相关。PRP-AllPair生成所有可能文档对，再聚合出最终分数。
• 列表法：最直接的方式，将所有文档列表与查询作为提示，让模型直接输出重新排序后的结果。RankGPT是代表，利用指令置换生成与滑动窗口策略巧妙解决上下文长度限制问题。

精炼器

经过检索与重排序，我们获得了高质量的候选信息。然而，当信息过长时，直接馈入大模型（MLLM）会面临若干实际困难：

• 有限的上下文窗口导致片尾截断。
• 处理超长序列时模型可能“遗忘”前面内容。
• 推理速度显著变慢。

精炼器正是为解决这一问题而设计。其任务是对检索到的信息进行优化，例如摘要、蒸馏、上下文化，将内容浓缩为更精炼、易处理的格式，同时提取关键信息、剔除冗余。

硬提示精炼器

这类方法使用传统的自然语言token处理信息。

• 文本精炼器：CPC通过上下文感知编码器剔除不相关句子。LLMLingua采用由粗到细的方法，利用困惑度（PPL）衡量每个token的信息量进行压缩。Prompt-SAW甚至通过图结构提取关键token，保留其句法与语义结构。
• 跨模态精炼器：视觉token数量庞大，是性能瓶颈。LLaVolta设计分阶段训练方案逐步压缩视觉token。MustDrop则衡量每个视觉token在整个生命周期中的重要性，在编码、预填充、解码等阶段采取不同过滤策略。G-Search与G-Prune分别从“贪婪搜索”与“图剪枝”角度找到需要保留的最小视觉token集合。

软提示精炼器

与硬提示不同，软提示并非自然语言词汇，而是一组通过学习优化出的向量，能捕捉到离散token无法表达的细微含义。

• 文本模型优化：UniICL在冻结的LLM中统一了演示的选择、压缩与生成，通过将演示与输入投影为虚拟token实现基于语义的处理。AutoCompressor使用循环记忆Transformer，将上下文片段逐步压缩为摘要向量。SelfCP设计巧妙，通过可训练的线性层，使冻结的LLM自身充当压缩器与生成器，异步处理超长提示。

可以看出，该领域技术细节极为丰富，每一步都有大量研究工作在探索。理解这些底层机制的演进，对于构建和运用真正强大的多模态系统至关重要。希望本文的梳理能为你在实际项目中提供清晰的思路。