💡
原文中文，约3100字，阅读约需8分钟。
📝
内容提要
ReCALL框架通过“诊断-生成-校准”闭环解决了多模态大模型在检索中的范式冲突，提升了细粒度推理能力，显著提高了组合图像检索的性能，标志着大模型向下游任务迁移的新阶段。
🎯
关键要点
-
ReCALL框架通过'诊断-生成-校准'闭环解决了多模态大模型在检索中的范式冲突。
-
该框架提升了细粒度推理能力，显著提高了组合图像检索的性能。
-
生成式大模型在检索中面临能力退化的问题，主要由于范式冲突导致。
-
ReCALL框架分为四个阶段：基础检索适配、自我诊断、生成校正和针对性打磨。
-
在CIRR和FashionIQ等主流基准测试中，ReCALL刷新了SOTA性能。
-
ReCALL成功揭示并修复了多模态大模型在向下游任务迁移时的隐形裂痕。
-
强调保留与激发原生推理能力的新阶段，推动生成与判别范式的和解。
❓
延伸问答
ReCALL框架的核心思想是什么？
ReCALL框架的核心思想是通过'诊断-生成-校准'闭环来解决多模态大模型在检索中的范式冲突。
ReCALL框架如何提升细粒度推理能力？
ReCALL框架通过自我诊断和生成校正，利用原生推理信号纠正检索空间中的盲区，从而提升细粒度推理能力。
ReCALL框架在基准测试中的表现如何？
在CIRR和FashionIQ等主流基准测试中，ReCALL刷新了SOTA性能，R@1达到了55.52%的新高。
为什么生成式大模型在检索中会出现能力退化？
生成式大模型在检索中出现能力退化是由于范式冲突，强行将其改造成判别式检索器导致的。
ReCALL框架的四个阶段分别是什么？
ReCALL框架的四个阶段是基础检索适配、自我诊断、生成校正和针对性打磨。
ReCALL框架如何解决生成与判别的范式冲突？
ReCALL框架通过保留原生推理能力，并利用诊断和生成的过程来修复范式冲突，从而实现生成与判别的和解。
➡️
