Copyright 2018-2025 报纸迷 版权所有 京ICP备2018136890号
你有没有遇到过这种情况，想在网上找一件"白色福特F250皮卡，带有色车窗和超大轮胎"，结果搜出来一堆普通白色轿车？这可不是你描述得不够清楚，而是AI在处理长文本描述时犯了难。
现在的图像检索模型，比如大家熟悉的CLIP，处理简单描述还行，一旦遇到这种带多个特征的复杂描述，反而容易"抓不住重点"。
有时候描述得越详细，匹配准确率反而越低，就像考试时答太多无关内容反而扣分一样。
这时候，HiMo-CLIP就登场了。
这款由中国联通数据科学与人工智能研究院团队研发的新模型，在AAAI会议上做了口头报告，一下子就解决了这个"说越多错越多"的老大难问题。
让AI学会"抓重点"的黑科技
HiMo-CLIP最聪明的地方，就是它能像人一样自动识别描述中的关键信息。
团队给这个能力起了个专业名字叫HiDe模块，说白了就是动态语义指纹提取技术。
具体怎么做呢？它会通过统计学方法，在一堆相似的描述中找出最有区分度的特征。
比如提到福特皮卡，它会自动发现"超大轮胎"比"有色车窗"更能帮它准确找到目标。
这种方法比以前固定模板分词或者人工标注层级要高效得多，准确率能达到89.3%。
更厉害的是，这个模块在保证性能的同时，对硬件要求并不高。
在A100显卡上推理速度只增加了7%，普通服务器也能跑得动。
本来想这技术肯定很复杂，没想到工程实现上还挺接地气。
双重保障让匹配更靠谱
光会抓重点还不够，HiMo-CLIP还解决了另一个关键问题，怎么保证描述越详细，匹配得分越高。
团队设计了一个叫MoLo损失的机制，简单说就是双重对齐保障。
它一方面让模型匹配整个文本的语义，另一方面特别强化核心特征的匹配。