2025年12月1日，中国联通数据科学与人工智能研究院团队传来重磅消息：其研发的HiMo – CLIP模型在长文本图像检索领域取得突破性进展，成功解决了传统模型“描述越详细、匹配分数越低”的行业痛点，并以Oral（口头报告）形式入选AAAI 2026。该模型通过创新的“语义层级建模”与“单调性约束”，让大模型像“高维找茬高手”般精准捕捉文本细节与核心语义的关联，在长文本、组合性文本检索任务中刷新SOTA（当前最佳）成绩，同时兼顾短文本检索性能，为多模态理解任务开辟新路径。
行业痛点：长文本描述反而拖垮检索精度
在多模态检索领域，“语义单调性”是公认的理想特性——即文字描述越详细、包含的图像特征信息越完整，图文匹配分数理应越高。然而，以经典的CLIP模型为代表的主流方案，却长期受困于“长文本失效”问题：当文本从简短描述扩展为包含多个细节的长句时，模型对齐分数不升反降，甚至出现“细节越多、匹配越差”的反常现象。
以“白色福特F250皮卡”图像检索为例，当文本从“正面视图的 lifted 款白色福特F250”，逐步补充“超大轮胎、可见车轴、驾驶员侧车门开启、深色车窗”等细节后，传统CLIP模型的对齐分数从初始的较高值持续下降，Long – CLIP、TULIP等针对长文本优化的模型也未能幸免。中国联通团队分析指出，核心症结在于这些模型将文本视为“扁平序列”，忽略了语言内在的层级结构，导致细节信息淹没核心语义，或无法从复杂语境中筛选出最具区分度的特征。
这一痛点在实际应用中影响深远。在电商商品检索（需匹配“品牌 + 型号 + 材质 + 功能”等多维度描述）、安防图像溯源（需结合“场景 + 物体 + 特征”详细文本）、文档图像分析（需关联长段落文字与图表）等场景中，长文本检索精度不足，直接制约了多模态技术的落地效果。
技术突破：HiMo – CLIP的“高维找茬”秘诀
为破解长文本检索难题，中国联通团队提出HiMo – CLIP框架，核心在于两大创新组件：层级分解模块（HiDe）与单调性感知对比损失（MoLo），让模型具备动态提取关键特征、兼顾全局与细节的能力。
HiDe模块如同“智能找茬助手”，能根据批量数据（Batch）的统计特征，动态定位文本中的“核心差异点”。其原理是利用PCA（主成分分析）技术，分析同一批次内不同文本的特征分布，自动识别出当前语境下最具区分度的语义成分。例如，当检索“戴墨镜的柯基在沙滩奔跑”的图像时：若批次内其他图像多为“沙滩场景”，HiDe会优先提取“柯基”这一独特物体特征；若批次内以“柯基”图像为主，则自动聚焦“戴墨镜”“沙滩环境”等差异化属性。这种“由邻居决定重点”的自适应机制，无需人工定义关键词，就能精准捕捉文本中的“高维差异点”。
MoLo损失函数则承担“平衡全局与细节”的角色，通过双目标约束确保模型既对齐完整文本，又精准匹配关键语义成分。其公式设计为“MoLo = InfoNCE(f1, feat) + λ*InfoNCE(f2, feat)”，其中f1代表完整文本特征，f2代表HiDe提取的核心语义成分，λ为权重系数。这一设计强制模型同时满足两个条件：一是整体文本与图像全局对齐，二是核心细节与图像关键特征对齐，从而实现“描述越详细、匹配越精准”的语义单调性。
值得一提的是，HiMo – CLIP采用“即插即用”设计，无需修改现有模型的编码器结构，可直接集成到CLIP、Long – CLIP等主流框架中，大幅降低了技术落地的适配成本。
实验验证：100万数据击败100亿数据方案，长短文本通吃
中国联通团队在Urban1k、Docci、Long – DCI等长文本检索基准，以及Flickr30k、COCO等短文本基准上，对HiMo – CLIP进行了全面测试，结果显著优于现有方案。更令人瞩目的是，该模型仅使用100万训练数据，就击败了采用100亿数据训练的SigLIP、400亿数据训练的MetaCLIP等大算力方案，展现出极高的“数据效率”。
在长文本检索任务中，基于ViT – L/14骨干网络的HiMo – CLIP，在Urban1k数据集上实现93.0/93.1（图像到文本/文本到图像）的检索精度，较传统CLIP提升近25个百分点，较同数据量的FineLIP模型提升0.7 – 2.9个百分点；在Docci数据集上，其精度达82.4/84.4，远超Long – CLIP的66.5/78.6。
短文本检索性能同样亮眼。在COCO数据集上，HiMo – CLIP的文本到图像检索精度达47.2，超越SigLIP（47.2持平）与Action – CLIP（44.1）；在Flickr30k数据集上，图像到文本精度达92.5，较CLIP提升6.4个百分点。
为进一步验证语义单调性，团队还构建了深度层级数据集HiMo – Docci。实验显示，HiMo – CLIP的单调性相关系数达0.88，远高于对比模型（最高仅0.6），随着文本描述从1段扩展到5段，其对齐分数呈现稳定上升趋势，完美符合人类认知逻辑。
行业意义：多模态对齐迈向“结构化理解”
HiMo – CLIP的突破，不仅解决了长文本图像检索的技术痛点，更推动多模态对齐从“扁平匹配”向“结构化理解”升级。其创新点在于：首次将“语义层级”与“单调性”纳入视觉 – 语言对齐框架，让模型的理解逻辑更贴近人类认知，为复杂多模态任务（如多轮图文对话、跨模态内容生成、智能文档分析）提供了核心技术支撑。
目前，中国联通团队已开源HiMo – CLIP的代码与模型（GitHub地址：https://github.com/UnicomAI/HiMo – CLIP），并计划在电商、安防、政企文档处理等业务中落地应用。“未来，我们将进一步扩展模型的多语言支持能力，探索在视频 – 文本检索、3D点云 – 文本匹配等更复杂场景的应用。”团队负责人表示。
业内专家评价，HiMo – CLIP的研究成果为多模态领域提供了新的技术范式——通过挖掘语言的内在结构与统计特征，而非单纯依赖算力与数据规模，就能实现性能突破。这一思路，或将为资源受限场景下的多模态技术发展提供重要参考。
