Hugging Face · 每日论文· 媒体 / 作者来源·精选
研究：通用视觉语言模型可用单选决策做多模态重排序
原文标题
Multimodal Reranking Is a System One Decision
AI 导读
论文提出把多模态重排序视为“系统一”式单选决策：让通用 VLM 对第一阶段检索的前 16 个候选做一次单选，排序依据是单次前向计算中候选项标签的概率。在 MMEB-V2 图像检索上，该做法比逐候选是/否提问高 5.4–7.3 hit@1。零样本 Qwen3.8-27B 在三个基准上超过监督式 Qwen3-VL-Reranker-2B，并在每个基准上距 Reranker-8B 不超过 1.6 分；其延迟为后者的 1.1–1.5 倍。作者也指出，模型规模和代际差异会混淆对比结果。
来源：Hugging Face · 每日论文 · arxiv.org
导读与选稿说明
给出可复用的多模态重排序方法及 MMEB-V2 等基准的具体增益与延迟数据，并说明模型规模与代际差异会影响对比结论。
导读由模型辅助整理，非独立核验。完整信息见原文。