当你搜“这件衬衫，但要粉色的”，AI是怎么听懂你的？

这句话背后其实藏着三层意思。第一，你想保留衬衫这个东西本身,它的版型、剪裁、面料质感都得对得上。第二，你想改变颜色,从原来的颜色变成粉色。第三，你根本不在乎背景是什么、光线怎么样、模特是谁,这些都是无关信息，系统应该自动忽略。

一句简单的话，压缩了保留、修改、忽略三种完全不同的指令。人类说这句话毫不费力，但让AI准确理解并执行，其实是个大难题。腾讯元宝团队联合香港科技大学（广州）的研究者们，最近发布的一篇论文，正是盯着这个问题下的功夫。他们提出的方法叫EviRank，试图从根本上重新定义AI应该如何理解这类复合查询。

现在的AI搜索,要么装糊涂要么瞎联想

先说说现在的图像检索系统是怎么处理这类查询的。

大体上分两条路子。

第一条路子叫做表征型方法。

**embedding（嵌入向量）**：把一段文字或一张图片压缩成一串数字组成的向量，向量之间的距离代表语义上的相似程度。

从最早的DeVise模型，到现在很多基于大语言模型的检索系统,它们的核心思路都是一样的：把你的查询和候选图片都变成一个向量，然后比一比这两个向量离得有多近。这套方法的问题在于，它把"保留衬衫版型""改变颜色为粉色""忽略背景"这三件事，全都压扁进了同一个向量里。你没法追问："这个向量到底是根据什么判断这张图和我的查询相关的？"它答不出来，因为所有信息已经被搅拌均匀，无法拆分。

第二条路子叫推理型方法，也就是让大模型用**思维链（Chain-of-Thought，简称CoT）**：让AI像人一样一步一步写出推理过程，而不是直接给答案。

的方式，一边"思考"一边判断相关性。这听起来聪明多了，AI会写出类似"这件衬衫版型相符，颜色需要从红色改为粉色"这样的文字。但问题也随之而来。

论文里指出了三个具体的失败模式。

第一种是遗漏。当用户说"找这件衬衫换成粉色"时，AI的思维链往往只顾着讨论颜色变化，却悄悄把"保留原来的剪裁和图案"这条隐含要求给漏掉了。

第二种是幻觉。AI会煞有介事地描述一些它其实根本没有验证过的视觉细节，凭空捏造出并不存在的特征。

第三种是覆盖不一致。同样的问题，AI这次分析了颜色和版型，下次可能只分析了颜色，漏了版型,每次思考的深度和角度都不固定，没法保证系统性。

这三个问题说到底是同一个根源:自由式的思维链是没有骨架的。它想到哪写到哪，没有一个强制性的清单逼着它把所有该检查的维度都检查一遍。这就好比让一个新员工去做质量检验，你只告诉他"仔细检查一下这个产品"，而不给他一张具体的检查清单。他可能这次检查了外观和尺寸，却忘了检查功能；下次换个人来检查，标准又完全不一样。如果不给清单，检验结果永远是碰运气，你没法保证任何一次检验的完整性和一致性。而如果有了固定清单,不管换谁来检查，流程和覆盖范围都是一致的，即使检查员的经验和状态不同，结果的可比性和可追溯性也大大提高了。

论文作者们由此得出一个判断：多模态图像重排序，本质上不是一个相似度匹配问题，而是一个语义约束满足问题。

这句话听起来有点抽象，翻译成人话就是：判断一张图片跟不跟你的查询匹配，不该问"这两个东西像不像"，而该问"这张图片满足了我提出的哪些具体条件，又违反了哪些"。

把查询拆解成一张"证据清单"

基于这个判断，研究者们设计了EviRank的核心机制，把每一条查询都解析成一个结构化的证据包。

这个证据包里包含六个语义槽位：实体、属性、动作、关系、场景、关键细节。

每个槽位下面又分成三类陈述:必须满足的（required）、绝对不能出现的（forbidden）、可以忽略不计的（ignorable）。

这三个标签其实对应着语言学里三种经典的语义关系:蕴含、矛盾、无关。

举个例子会更直观。还是那个"这件衬衫换成粉色"的查询，经过EviRank处理后，会被拆解成这样的结构：在实体槽位里，必须满足"这是一件衬衫"、颜色是粉色、还要保留原来那种俏皮的版型；绝对不能是深红色，或者版型差异太大压根不像同一件衣服；至于背景、光线、拍摄姿势、图片排版，统统可以忽略，不影响判断。

这里有个设计细节特别值得说一说。所有"forbidden（禁止）"的陈述，都必须用肯定句的形式来写，而不是否定句。

比如不能写"颜色不应该是深红色"，而要写"颜色是深红色"。这样写的原因是什么?因为只有肯定句式的陈述,才能用同一套匹配算子去跟候选图片做比对，得到一致方向的分数。如果一半陈述是肯定句、一半是否定句，匹配得分的正负号就会乱套，整个打分系统就崩了。这是个很工程化的细节，但恰恰是这类细节决定了系统能不能稳定运转。

**MLLM（多模态大语言模型）**：能同时理解图片和文字的大型AI模型，比如Gemini这类既能看图又能读懂文字指令的系统。

这套六槽位的证据框架，有一个很关键的性质：它不管你的查询是纯文字、纯图片、还是图文混合，最后都会被转换成同一套结构。纯文字查询，转化时必要条件反映用户明确说出来的内容，可忽略条件负责吸收那些没说清楚的模糊地带。纯图片查询，先生成一段描述性文字，再把图片里显著的内容转成必要条件。图文混合查询（比如"这件衣服，换成蓝色"）,则要把参考图片里该保留的部分（版型、图案）当作必要条件，把修改文字里提到的变化（颜色）也变成必要条件，同时把"原来的颜色"标记为禁止项。

这就好比不管你说中文、英文还是打手语，翻译系统内部都统一先转换成一种标准的中间语言，再进行处理和输出。转换这一步很关键,如果没有这个统一转换，每种查询形式都要单独设计一套处理逻辑，系统会变得又臃肿又难维护，而且不同形式之间的处理效果很难保持一致。

论文还提到，这六个语义槽位彼此之间的重合度非常低,研究者用句子嵌入模型算了一下，一万条查询里，这六个槽位两两之间的平均相似度只有0.18，说明它们各自捕捉的是完全不同的语义维度，不是同一件事说了六遍。

有了证据清单之后,怎么给候选图片打分

光有证据清单还不够，接下来要解决的是：怎么用这份清单去判断每一张候选图片到底符不符合要求。

EviRank在这一步用了两套机制配合，一套叫确定性规则打分，一套叫基于证据的列表式比较。

先说规则打分。

对每个语义槽位，系统会计算两个数值:一个是"匹配率"，衡量候选图片满足了多少条必要陈述;一个是"违反率"，衡量候选图片踩中了多少条禁止陈述。最终的分数把这两个数值加权汇总，违反禁止条件会被扣分，扣分力度由一个叫β的参数控制，论文里设为0.75。

这套打分逻辑其实很朴素,满足的加分，违反的扣分,是不是有点像学校里的评分细则?老师批改作文，会有一份评分标准："用了比喻手法加两分,出现病句扣一分,字数不够扣一分"。这种做法的好处是透明、可解释、每一分都能说出理由。如果没有这套明确规则，全凭老师"整体感觉"打分，两个老师看同一篇作文可能给出天差地别的分数,这就是"隐式打分"的风险所在,不透明、不稳定、无法复现。

但规则打分也有它的局限。它是一条一条独立评估候选图片的，没法把多张图片放在一起做横向对比，遇到几张图片都差不多符合要求、只是细节上有微妙差别的情况，规则打分就有点力不从心了。

这时候第二套机制登场了,基于证据的列表式比较。

具体做法是把查询、必要条件、禁止条件，连同所有候选图片一起交给大模型，让它给出一个排序。这个排序过程里，符合必要条件的候选图片会被明显地往前排，明显违反禁止条件的候选图片会被狠狠往后压。有意思的是，"可以忽略"这类条件根本不会展示给这个列表式排序环节,它们只在前面的规则打分阶段起作用,起到"过滤噪音"的功能。这样设计的好处是让大模型不用去费心思考那些无关紧要的细节，聚焦精力处理真正有区分度的信息，同时也让提示词更简短、调用成本更低。

为了控制成本，EviRank采用了一个很实际的策略,先用规则打分把候选图片按分数排好序，然后只让大模型去核实排名靠前的少数几张（默认前5张），并对它们做局部微调重排。这个设计背后的考量是:规则打分虽然速度快、成本低，但精细度有限；大模型虽然精细，但每调用一次都要花钱花时间。用规则打分先做粗筛，把最有希望的候选圈出来，再让大模型精雕细琢，等于是花小钱办大事。

如果候选池特别大（超过8个），系统还会用一种分治合并的策略：把候选图片分成小组，每组内部先各自排好序，然后像归并排序那样，两两合并成更大的有序列表，直到所有候选都排完。这个策略让总的调用次数和候选数量呈线性关系，而排序所需要的"轮次"则是对数级增长,也就是候选图片数量翻倍，排序所需的步骤只增加一点点，而不是成倍暴涨。

这份证据清单还能拿来"教"小模型

这篇论文还有一个巧妙的设计,证据清单不仅能用来做重排序，还能拿来当作训练数据,去培养一个更小、更便宜的学生模型。

这里要理解一个背景。前面提到的用大模型（比如Gemini）做证据挖掘和列表排序的方案，效果虽好，但每次查询都要调用大模型，这在实际部署时成本不低、速度也慢。研究者们想了个办法：能不能训练一个小模型，让它把这套"评委"的判断逻辑学会，之后自己单独干活，不再依赖大模型？

这就是知识蒸馏的思路。

**知识蒸馏（Knowledge Distillation）**：让一个体积小、运行快的模型（学生），去模仿一个体积大、能力强的模型（教师）的判断结果，从而在保留大部分能力的同时大幅降低运行成本。

传统的知识蒸馏，往往是让学生模型模仿老师模型写出来的一整段自由文字推理，逐字逐句地学。但EviRank的做法不一样，因为它的教师模型每次判断都会产出高度结构化的信息,包括每个候选图片的槽位满足情况、绝对相关性分数、老师自己对判断的信心程度、还有一份"最容易混淆的候选图片对"清单。这些信息都有固定的格式和明确的语义角色，学生模型可以针对性地去学每一部分，而不是笼统地模仿一大段话。

具体来说，训练学生模型用了三个损失函数,可以理解成三种不同的"考核标准"。

第一种叫分数蒸馏，让学生给出的排序分布尽量贴近老师的排序分布。

第二种叫难例对监督，专门针对那些老师觉得"很难分辨谁更相关"的候选图片对,给学生加一个额外的惩罚，逼它把这些容易混淆的图片对分出高低。这里有个细节，越是分数接近、越难区分的图片对，权重越高，这样可以把训练的重点放在最考验模型能力的地方,好比考试的时候，老师批卷子不会平均用力，那些"一半对一半错"的模糊题目才最能反映学生真实水平，值得多花精力核对。

第三种是可选的槽位监督，让学生模型内部生成一个额外的小判断头，去预测每个候选图片在各个语义槽位上是否满足要求。这一步的目的是让学生模型不光记住"这张图排第几"，还要理解"为什么排第几"，也就是把判断背后的原因也内化进去。训练结束后，这个额外的判断头就被扔掉了，不影响最终部署时的运行速度。

三种损失函数最后按照老师模型给出的置信度加权汇总,老师自己都拿不准的判断，给学生的影响力也相应减小。

值得一提的是，学生模型部署上线后，输入只有原始查询和候选图片，完全不需要老师模型、不需要证据生成器，跑起来就是个普通的打分模型，成本和速度跟一个轻量级模型没有区别。论文里选用的学生模型是Qwen3-VL-2B-Thinking，用两万条查询蒸馏训练而成，测试结果显示它能保留老师九成以上的能力。

五个跑分场景,数字说话

理论讲了不少，实际效果到底怎么样？论文在五个基准测试集上做了验证，涵盖三种检索场景:文字找图、图片找图、图文混合找图。

在Flickr30k这个经典的图文检索数据集上，用BLIP-2作为底层检索器时，最强版本的EviRank（配合Gemini-3-pro）拿到了95.61%的**R@1（Top-1召回率，即排名第一的结果就是正确答案的比例）**

，比此前最好的方法CoTMR高出6.32个百分点。更值得注意的是，就连完全不调用大模型、只靠规则打分的EviRank-mini版本，都超过了此前所有对比方法。这意味着，光靠那套结构化的证据打分逻辑,不需要额外的大模型推理成本,就已经能打赢过去依赖复杂思维链推理的方案了。

在COCO数据集上，用CLIP-ViT-L/14做底层检索时，最强版本达到69.53%的R@1，比CoTRR高出将近10个百分点。

在图片找图的场景里（Stanford Online Products和CUB-200鸟类数据集），最强版本分别拿到91.46%和86.89%的R@1，比之前的LoCoRE方法高出7到8个多百分点。

在图文混合检索的FashionIQ数据集上，涨幅同样明显，Shirt类目上的R@10提升幅度最高达到8.27个百分点。

这里还有个对比值得单独说一说。研究团队专门找了几个2025到2026年间发布的、专注于优化表征本身的新方法做对比,包括ReMatch、UniME-v2这些。这些方法已经把"向量表示"这条路走到了很高的水平，ReMatch在Flickr30k和COCO上分别拿到85.6%和62.8%的R@1，是这类方法里最强的。而EviRank最强版本依然把它们甩开了将近10个百分点。这说明差距不是来自更好的底层检索器，而是来自证据条件式验证这套全新的判断逻辑本身。

拆开来看，每个部件到底有没有用

光看整体成绩单还不够说服人，研究者们做了详细的消融实验,把系统的各个部件一个个拿掉，看看性能会掉多少。

去掉查询理解这一步（也就是不做那个把图片转成文字描述的环节），对图片找图任务的影响最大,在SoP数据集上跌了将近6个百分点。这很好理解，图片找图的场景里，没有文字锚点，全靠这一步在图片和语言之间搭桥，桥断了自然影响大。

去掉六槽位拆解,直接用一段笼统的描述代替，各个任务都受影响，图文混合检索的Toptee类目下降超过5个百分点。这证明了把语义拆成六个独立槽位，确实比笼统描述更系统、更全面，不是多此一举的花架子。

在三种约束类型（必要、禁止、忽略）里，必要条件对正向匹配的贡献最大,COCO数据集去掉必要条件后掉了将近3个百分点;禁止条件对区分细粒度候选图片最关键,CUB鸟类数据集去掉禁止条件后掉了将近2个百分点;忽略条件负责过滤掉那些不该影响判断的干扰信息,去掉后在图文混合检索里也有大约1个百分点的下滑。

研究者还专门对比了规则打分和列表式比较各自单独使用、以及两者结合使用的效果。结果显示两者结合永远是最好的，其中图文混合检索的提升幅度最大,在FashionIQ上比单独用列表式比较高出5.6个百分点。这说明这两套机制各有分工,规则打分擅长处理明确写出来的约束条件,列表式比较擅长通过视觉联合对比，捕捉那些没有明说但能"看出来"的细微线索,两者不是重复劳动，而是互补配合。

这套系统会不会一提问方式变了就翻车

一个方法再好，如果换个提问方式结果就大不一样，那这个方法的可靠性就要打个问号了。研究团队专门做了稳定性测试。

他们从三个角度检验了这套结构化证据抽取的稳定性:重复调用同样的输入十次、对提示词做各种改写(换个说法、打乱顺序、加点错别字)、换用不同的教师模型(Gemini、GPT、Claude系列)。结果显示，在所有这些扰动下，肯德尔相关系数（一种衡量排序一致性的指标）都保持在0.89以上，Top-1的判断一致率保持在91%以上，R@10的波动标准差控制在1.3以内。

有一个发现特别有意思:把强大的Gemini-3-pro换成便宜很多的Gemini-3-flash，检索效果确实下降了（R@10从42.9掉到38.3），但抽取出来的证据结构本身却依然稳定，一致性指标几乎没变。这说明什么？说明"模型排序能力强不强"和"模型抽取出来的证据结构稳不稳"是两件不完全相关的事,便宜模型排序排得没那么准，但它理解"这个查询需要检查哪些维度"这件事上，判断依然是靠谱的。

这背后的原因，研究者认为是那套固定的六槽位框架，加上必要/禁止/忽略这三种严格类型化的标签，把模型输出的可能性空间从无限的自由文字，压缩成了一个狭窄的、可以用JSON格式校验的结构。不管换哪个模型来填这张表格，表格的格式和检查项都是固定的，这就从根本上限制了输出的随意性。

研究团队还专门验证了这些提升到底是来自"结构化证据"本身，还是仅仅来自"给了更多提示词信息"这种表面功夫。他们设计了几组对照实验:只用原始查询、加一段自由式的补充描述、只用生成的图片描述、只用结构化证据、结构化证据加图片描述一起用。结果显示，自由式的文字补充带来的提升很有限（COCO上只提高了0.5个百分点），而结构化证据贡献了绝大部分的提升（提高了6.5个百分点）。同时，不管怎么改写提示词模板，效果波动都很小（标准差不到0.7）。这两组数据放在一起看，结论就很清楚了:效果提升靠的是"把查询拆解成类型化的证据清单"这个核心设计，不是靠碰运气写出了一段特别好的提示词。

部署起来到底贵不贵、快不快

最后聊聊实际落地的成本问题。蒸馏出来的学生模型，在Flickr30k上处理一次查询大概需要800毫秒，比起单纯用CLIP做粗排检索的382毫秒确实慢了一些，但换来的是大约10个百分点的准确率提升,而且CLIP粗排本来就是所有重排序方案都要用到的基础步骤，这部分延迟是固定成本，不是可以省掉的额外开销。

如果是用大模型在线判断（EviRank-plus和EviRank-pro两个版本），默认配置下每次查询只需要两次大模型调用:一次用来抽取证据（把生成描述、查询扩写、证据挖掘这几步打包成一次结构化请求），一次用来做列表式排序。这个成本是固定的，不会随着候选图片数量的增加而线性暴涨，因为候选图片较多时会启动分治合并策略，把总调用次数控制在候选组数的线性范围内。

写在后面

读完这篇论文，我最触动的一点是那个"forbidden约束必须用肯定句表达"的细节。这是个非常容易被忽略的工程决定，但它揭示了一个更普遍的道理:结构化系统的稳定性，往往不是来自宏大的架构设计，而是来自这种看似琐碎的格式一致性。如果forbidden条件写成否定句，匹配算子出来的分数正负号就会紊乱，整套打分逻辑瞬间失效。这提醒我，很多"看起来很聪明"的系统设计，翻到底层其实是靠一堆朴素到近乎笨拙的格式约定撑起来的。

另一个让我意外的地方是，规则打分和大模型列表排序结合后的效果，在图文混合检索任务上提升最明显。这说明composed image retrieval（复合图像检索）这个任务，恰恰是既需要"检查明说的条件"又需要"捕捉没说的细微差异"的场景,规则打分和大模型排序，分别对应着这两种能力的两端。

一个还没被回答的问题是:这套六槽位框架是不是普适的？论文里承认这个schema是"默认值而非硬性要求"，但六个槽位真的能覆盖所有类型的视觉查询吗？如果换成医学影像检索，或者卫星图像分析，这套实体、属性、动作、关系、场景、关键细节的分类框架，还够用吗？

Q&A

Q1：EviRank是什么？

A：EviRank是腾讯元宝团队联合香港科技大学（广州）等机构提出的多模态图像重排序方法，核心思路是把任何查询（文字、图片或图文混合）拆解成结构化的证据清单,按必要、禁止、忽略三类标注在六个语义维度上，再用这份清单去核实候选图片是否满足要求，而不是依赖模糊的相似度打分或自由式思维链推理。

Q2：EviRank和之前的思维链重排序方法有什么区别？

A：之前的思维链方法让AI用自由文字一步步推理相关性，容易漏掉隐含约束、编造没验证过的细节，而且每次推理覆盖的维度不固定。EviRank强制把查询拆成固定的六个语义槽位，每个槽位下明确列出必须满足、绝对禁止、可以忽略的条件，让判断过程变得透明、可核查、覆盖范围一致。

Q3：EviRank训练出来的小模型好用吗？

A：论文用大模型产出的结构化判断结果（包括排序分数、置信度、易混淆候选对等）去蒸馏训练了一个轻量级学生模型Qwen3-VL-2B-Thinking，测试显示这个小模型能保留教师模型九成以上的能力，同时部署时不再需要调用大模型，运行成本大幅降低。