新跨模态检索方法WIDE：用通配符解码抑制强制幻觉，在M-BEIR上超越现有生成式检索
针对文本查询与视觉候选之间的信息不对称，WIDE通过自适应熵阈值和通配符解码动态扩展搜索空间，并在M-BEIR基准上取得领先表现。论文已被ACM MM 2026接收。
AI解读：生成式检索把表征学习和搜索统一成一个序列到序列生成任务，但在跨模态场景下，简短的文本查询和丰富的视觉候选之间存在严重的信息不对称：模型在生成标识符时，必须猜测查询里根本不存在的细节，猜错就会受到概率惩罚，导致无关候选挤进排名前列。WIDE的核心思路是承认模型"看不见"的地方，而不是强迫它硬猜。具体做法是：用自适应熵阈值离线标定每层的不确定性边界，解码时一旦检测到语义盲区，就发射通配符代替强制标识符，从而动态扩大搜索空间且不产生惩罚；最后用混合评分（离散生成置信度加连续语义相似度）对扩展后的候选池重排。这解决了生成式检索中forced hallucination的问题，同时保持索引紧凑。对做多模态搜索或检索的开发者来说，这意味着在不增加索引开销的前提下，可能获得更可靠的跨模态检索结果，尤其在文本和图像差距大的场景。不过，论文目前只报告了M-BEIR基准上的实验，尚未公开代码，泛化到其他任务和实际系统的效果仍需验证。
arXiv论文（编号2609.03554）提出一种名为WIDE（Wildcard Inference with Dynamic Expansion）的跨模态生成式检索方法，旨在解决文本查询与视觉候选之间信息不对称导致的强制幻觉（forced hallucination）问题。论文已被第34届ACM国际多媒体会议（ACM MM 2026）接收。
WIDE在M-BEIR基准上的实验表明，其性能优于现有最先进的生成式检索方法，同时保持紧凑的索引结构。
方法原理
论文指出，生成式检索将表征学习和搜索统一为单个序列到序列生成任务，但扩展到跨模态检索时，简洁文本查询与密集视觉候选之间的结构不匹配，会使自回归解码器在使用标准trie约束束搜索生成标识符时出现强迫性幻觉。具体而言，模型因无法猜测查询中不存在的细粒度细节而受到严重惩罚，导致无关候选占据排名前列。
WIDE包含三个组件：自适应熵阈值（Adaptive Entropy Thresholding, AET）用于离线校准各层的不确定性边界；非对称感知通配符解码（Asymmetry-aware Wildcard Decoding, AWD）在解码阶段检测语义盲区，发射通配符而非强制确定标识符，从而动态扩展搜索空间且不产生对数概率惩罚；盲点重排（Blind-Spot Re-ranking, BSR）通过结合离散生成置信度与连续语义相似度的混合评分机制，评估扩展后的候选池。
论文信息
论文作者为Teng Guo、Xin Wang、Jiayou Xu、Keying Zhou、Jifeng Shen和Haoxin Ruan，于2026年9月3日提交至arXiv（v1），共10页、5幅图，涉及计算机视觉与模式识别（cs.CV）及人工智能（cs.AI）领域。
稿件内容基于arXiv上传的摘要，未验证完整论文的细节。