在多模态任务中，视觉语言模型（VLMs）起着至关重要的作用，如图像检索、图像说明和医学诊断等。这些模型的目标是将视觉数据与语言数据进行对齐，以实现更高效的信息处理。然而，目前的 VLMs 在理解否定方面仍面临重大挑战。否定在许多应用中至关重要，例如区分 “没有窗户的房间” 和 “有窗户的房间”。尽管 VLMs 取得了显著进展，但在处理否定陈述时，现有模型的表现却大幅下降。这种限制尤其在安全监控和医疗保健等高风险领域中显得尤为重要。现有的 VLMs，如 CLIP，采用共

北京大学袁粒课题组与南洋理工大学、清华自动化所研究人员合作开发了一种创新的图像检索技术，旨在通过草图、艺术画甚至低分辨率图像精准匹配用户需求。这项技术的核心是“通用风格检索”方法，它能够处理多种查询风格，包括文本、草图、艺术画等组合，显著提升检索灵活性和准确性。研究团队构建了DSR和ImageNet-X数据集，为新方法提供训练和测试资源。FreestyleRet框架通过风格提取、空间构建和提示微调模块，实现了对不同风格查询向量的有效处理，实验结果显示其在DSR和ImageNet-X数据集上取得了优异性能。研究成果已公开发布，并提供开源代码和数据集，为图像检索领域的技术进步和应用开辟了新途径。