Chaos in the Text：揭示混合模态检索器中的模态偏好

研究发现，混合文本、图像和图文融合文档的 dense retrievers 对模态组成高度敏感，单模态表现较强但混合后显著下降。无关文本比等量无关图像造成更严重退化，即 Chaos in the Text，因为文本表示获得系统性更高相似度。作者提出 Trident，通过 Multi-Positive View InfoNCE 改善 CLIP-based 和 VLM-based 架构的混合模态检索。