近日，中國科學院合肥物質院智能所運動健康團隊丁增輝研究員聯合芝加哥大學、卡內基梅隆大學團隊，在國際上首次提出一種多模態大模型視覺-語言預訓練方法RankCLIP，入選國際計算機視覺頂會ICCV 2025，彰顯了智能所在人工智能前沿領域的創新實力。智能所博士研究生張一鳴為第一作者。
自2021年OpenAI發布CLIP以來，視覺-語言模型始終依賴“圖像-文本一對一配對”的對比學習。盡管CLIP在零樣本分類、圖文檢索等任務中表現卓越，但其“硬對齊”方式也帶來明顯局限：模型僅能判斷“是否匹配”，卻無法理解“誰與誰更接近”。
RankCLIP的核心突破在于：受人腦不同感官皮層和聯合皮層跨模態聯合表征機制啟發，將訓練目標從CLIP的“配對判斷”升級為“排序學習”，構建圖像與文本之間的全局排序分布，并通過最大化排序一致性似然來優化模型。該方法無需額外數據或計算資源，即可作為“即插即用”模塊融入現有CLIP系列模型，被大會程序委員會評價為“有望重新定義視覺-語言預訓練范式的突破性工作”。
該方法擁有三大技術創新：一是實現跨模態排序一致性，RankCLIP采用Plackett-Luce排序模型，將這一軟約束轉化為可導損失函數，實現全局排序優化；二是實現模態內排序一致性，除了跨模態關系，RankCLIP首次將圖像與文本各自內部的語義排序納入訓練目標，有效挖掘了模態內的潛在語義結構；三是設計動態權重系數，漸進式權重策略使排序損失在訓練初期受噪聲影響較大，團隊設計動態權重系數，使其在訓練過程中從零逐漸增大，既避免干擾初期的對比學習，又在后期充分釋放排序信號。
實驗結果證實RankCLIP全面刷新零樣本基準。零樣本分類：在ImageNet1K上，RankCLIP的Top-1準確率達到10.16%，顯著優于CLIP（9.06%）、CyCLIP（9.40%）和ALIP（9.71%）。跨模態檢索：在MS-COCO圖像-文本檢索任務中，RankCLIP在多項召回率指標上均優于基線模型。分布偏移魯棒性：在ImageNet-V2和ImageNet-R等具有自然分布偏移的數據集上，RankCLIP表現出更強的泛化能力。線性探測：在10個圖像分類數據集上的線性探測實驗中，RankCLIP平均準確率最高，顯示其表征學習能力的優越性。
該創新成果的提出有利于推動醫療診斷、具身智能等關鍵領域的智能化升級，加速普惠AI技術的規模化落地，證明了算法創新優于算力堆疊，展現了我國在大模型底層算法前沿研究領域的實力，也為全球AI技術的發展貢獻中國智慧。該研究得到了國家重點研發計劃、安徽省科技攻堅等項目的支持。
ICCV（IEEE/CVF International Conference on Computer Vision）是計算機視覺領域最具影響力的國際頂級會議之一，也是中國計算機學會（CCF）推薦的A類國際學術會議。該會議每兩年舉辦一次，由美國電氣和電子工程師學會（IEEE）與計算機視覺基金會（CVF）聯合主辦。
圖1 RankCLIP技術概覽
圖2?博士生張一鳴在美國夏威夷匯報研究進展
