arXiv 新增 + ECCV 2026 + multimodal retrieval · P2 · 2026-06-20

ELVA：它和通用视觉自监督的关系在于：用 ranking-driven RLVR 缓解复杂检索 query 的 grain blindness，和视觉-语言对比学习负样本设计有关

中相关；详见方法、贡献和实验边界。

ELVA: Exploring Ranking-Driven Universal Multimodal Retrieval　arXiv 新增 + ECCV 2026 + multimodal retrieval　原文链接

编号2606.20280 优先级P2 类别arXiv 新增 + ECCV 2026 + multimodal retrieval 会议arXiv 新增 + ECCV 2026 + multimodal retrieval 方法用 ranking-driven RLVR 缓解复杂检索 query 的 grain blindness，和视觉-语言对比学习负样本设计有关来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：用 ranking-driven RLVR 缓解复杂检索 query 的 grain blindness，和视觉-语言对比学习负样本设计有关。中相关；详见方法、贡献和实验边界。

**Figureure 2 · : Overview of the proposed ELVA framework**Fig. 2: Overview of the proposed ELVA framework. ELVA leverage the threestage training framework for UMR tasks. Stage 1-2 as the pre-training and instruction tuning stage following [35], obtained the preliminary model struggle with the grain blindness. Stage 3 employ the RL tuning to incentivizing the ranking ability to address the issue. Given the input query q and candidates including pos. and N x neg., we first perform G rollouts to output G independent sets of embeddings from policy model. Then we compute the reward $r _ { i }$ for each output $o _ { i }$ using our proposed reward functions, detailed in Section 3.4. Finally, we optimize the policy model with GRPO [11] while ensuring that the model remains close to the reference policy model, via KL divergence.这张图概括 ELVA 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Baseline**Baseline这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 ELVA 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：用 ranking-driven RLVR 缓解复杂检索 query 的 grain blindness，和视觉-语言对比学习负样本设计有关。

方法拆解

用 ranking-driven RLVR 缓解复杂检索 query 的 grain blindness，和视觉-语言对比学习负样本设计有关

主要贡献

中相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。