[PaperReading] SAIL-Embedding Technical Report: Omni-modal Embedding Foundation Model

news/2025/10/18 18:24:08/文章来源:https://www.cnblogs.com/fariver/p/19148873

SAIL-Embedding Technical Report: Omni-modal Embedding Foundation Model
TL;DR
Data
- Recommendation-aware Data Construction
- Dynamic Hard Negative Mining
  - Q：动态难负样本挖掘是什么原理？\(\lambda^*\)是如何动态确定的？
  - Q：\(H\)与\(N\)这两个子集分别是如何确定的？
- 动态多源数据平衡
Architecture
- Text Tokenizer
- Vision Encoding
- Audio Encoding
- Fusion
训练策略
- 策略
- Loss
  - NCE Loss
  - CoSENT Loss
  - mICL Loss
  - IF Loss
- Stochastic Specialization Training
- Collaboration-aware Recommendation Enhancement Training
Experiment
总结与思考
相关链接
Related works中值得深挖的工作
资料查询

link
时间：2025.10
单位：ByteDance SAIL
相关领域：多模态特征学习

TL;DR

SAIL-Embedding：
1.使多模态检索与分类支持任意模态；
2.引入动态难负样本挖掘与多数据源动态采样提升训练稳定性与规模；
同时，多阶段训练从多方面提升了多模态表征学习的有效性：
1.context-aware训练 -> 增强在各下游任务的动态适应性
2.collaboration-aware推荐训练 -> 通过sequence-to-item与ID-to-item embedding的蒸馏策略，提升推荐场景下多模态表征能力

SAIL-Embedding的功能

Data

SAIL-Embedding支持更多模态输入

Recommendation-aware Data Construction

Item-to-Item检索：item=短视频，包括里面的多模态信息，对应应该被检索到的item有多种需求：用户行为、video summaries、semantics ID以及特定商业应用；
Query-to-Item检索：通常，Query=text，target指得用户最有可能点击的视频。通常使用基于规则或者基于LLM来计算query与target之间的相似性；
Classification：query=item, target指得是多级tag，我们将分类数据集转为item-label对，tag有多种维度，比如用户动机、图文内容分类。

Dynamic Hard Negative Mining

Q：动态难负样本挖掘是什么原理？\(\lambda^*\)是如何动态确定的？

针对于所有[0, 1]之间的\(\lambda\)，针所有样本对计算F1，并且F1的求和 (因为每个样本对是正的还是负的其实已知)，找一个最大的F1对应的\(\lambda\)就是此时的动态阈值\(\lambda^*\)。

Q：\(H\)与\(N\)这两个子集分别是如何确定的？

\(s_{ij}\)是低于\(\lambda^*\)，但与q有最高相似度的样本。

动态多源数据平衡

之前方法数据采样都是手工设定

动态多源采样处理方法：

从训练集摘出验证集并构造下游任务;
用当前阶段emb模型分别提取训练集与验证集特征，并聚类出中心特征;
计算train与val数据集间的相似度矩阵，并通过Sinkhorn算法将相似矩阵压缩为标量分数；
高相似度获得较大采样权重，低相似度获得较低采样权重；

Architecture

整体架构图

Instruction模板

Text Tokenizer

Q：Text Tokenizer是什么算法？输入输出是什么？

输入：

text Modality: titles, tags, author labels, OCR texts, and ASR texts.
Instruction: 像是整体格式的控制模板，包括：System Prompt、用户信息、助手标识

输出：token ID序列、位置编码、注意力编码(标识token的效性)

Vision Encoding

Vision Encoder：将分辨率resize到固定，对于高分辨率或者视频数据而言tokens数量庞大
Visual Perceiver: 将visual tokens外加16个可学习的Query tokens，通过该子网络后提取出这个16浓缩后的tokens，从而降低下降融合时的tokens计算量，所以这里Query tokens与搜索领域所说的用户query不是一会事。

Audio Encoding

使用CLAP模型，比Whisper速度更快，模型结构与预训练方法上比较像CLIP。

Fusion

简单而言：多模态token concat -> attention聚合 -> Tanh非线性激活 -> MeanPool => 融合后的多模态token
这种Fusion方式与VLM2Vec中取最后一层最后一个token的方式不一致，哪种方法更好呢？

训练策略

策略

大规模数据预训练 => 下游任务Finetune => 构造难负样本集进一步Refine

Loss

NCE Loss

使用的MRL NCE Loss，MRL全称为Matryoshka Representation Learning，该操作会将1536维embedding切出多个子vector例如128d与768d，这些向量同时做NCE Loss。

CoSENT Loss

参考苏神的博客。为了解决直接优化绝对余弦相似度（如设定正样本对相似度为1，负样本对为0）所带来的问题。其核心创新在于将学习目标从拟合绝对分数转变为学习相对顺序。参考下述公式，关键在于求和条件 sim(i,j)>sim(k,l)。它并不关心sim(i, j)和sim(k, l)的具体数值是多少，只关心它们之间的大小关系。

Q：在计算Loss时，我怎么知道sim(i, j)与sim(k, l)之间的相似度关系呢？

二元标签：类似NCE那样，正样本对的相似度必然大于负样本对相似度；
多分类标签：对于NLI(自然语言推理)数据，标签是“蕴含”、“中立”、“矛盾”三类。可建立一个顺序关系：
sim(蕴含)>sim(中立)>sim(矛盾)
连续分数: 某些数据集包含相似度真值，例如 STS-B数据集。

mICL Loss

mICL全称为multimodal In-Context Learning，即为每种模态单独计算NCE Loss。

IF Loss

全称为Late Fusion，通过门控融合机制保护视觉信息的完整性，防止在多模态融合过程中视觉语义被文本信息主导。

Stochastic Specialization Training

故名思义，随机特定数据集训练。之前工作都是将多个数据源混合少量样本训练，这么做增加了梯度估计的方差，使训练不稳定。本工作改为每次随机选择一个数据集，并仅从该数据集中采样构建一个完整的训练批次，提升训练效率和模型在各数据集上的专业化性能。

Collaboration-aware Recommendation Enhancement Training

Sequence-to-Item Distillation
在用户历史1k次搜索视频序列中，过滤出它主动交互的行为，将最近一次的序列中item设计为目标视频，由些可以构造一个蒸馏训练方法，参考Figure7 a。
ID-to-Item Distillation

参考Figure7b
Q：图中的Query Item与Target Item分别指得是什么？
- Query Item的embedding：指通过SAIL-Embedding多模态模型计算得到的表征。它融合了物品的视觉、文本、音频等内容信息，代表的是该物品的内容语义特征。
- Target Item的embedding：指同一Item在现有推荐系统中已有的、基于协同过滤（如用户行为序列）学习到的ID表征。它代表的是该物品的用户协作特征。
Q：图中下方ID1/ID2/ID3指得是什么？
该Item的ID（如视频ID、作者ID），从推荐系统的嵌入表中查找出对应的ID1, ID2, ID3等embedding，它们通过Feature Projection映射成Target Item的协作表征。典型的ID有以下可能的类别：