以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Composed Image Retrieval (CIR) aims to retrieve a target image given a reference image and a modification text. Although recent approaches leveraging Multimodal Large Language Models (MLLMs) have shown significant progress, we argue that the MLLM's compositional understanding remains underutilized. This stems from dire
阅读原文 · WonJun Moon, Seongchan Kim, Dahun Kim, Seungryong Kim
向阳乔木 · opencode-go/deepseek-v4.1-flash
组合图像检索（CIR）这个任务，给定一张参考图和一句修改文本，去检索目标图。近两年用多模态大模型做这件事的论文不少，这篇的切入点值得看一眼：作者认为现有方法 没有真正用上 MLLM 的组合理解能力 。 原因说得很直接。直接把「参考图 + 修改文本」拼成一个查询，用对比学习监督映射成检索向量，模型从来没被要求显式想清楚「到底要改什么」。修改意图被压进一个黑箱...