arXiv 2026年10月5日该工作提出 ECHO-k，一种任务无关、自监督的模态获取原则：以深度模型（如基础模型）的内部预训练表征作为汇总跨模态信息的代理目标，并在一个简化线性设定下给出理论保证，据此导出用于顺序模态选择的强化学习策略；在与任务无关且无标签的获取基线对比中，ECHO-k 在多种基础模型后端上持续提升受预算约束的下游性能。该工作提出 ECHO-k，一种任务无关、自监督的模态获取原则：以深度模型（如基础模型）的内部预训练表征作为汇总跨模态信息的代理目标，并在一个简化线性设定下给出理论保证，据此导出用于顺序模态选择的强化学习策略；在与任务无关且无标签的获取基线对比中，ECHO-k 在多种基础模型后端上持续提升受预算约束的下游性能。ECHO-k 用基础模型内部表征作自监督代理目标，在未知下游任务下按预算顺序选取模态并提升下游性能该工作提出 ECHO-k，一种任务无关、自监督的模态获取原则：以深度模型（如基础模型）的内部预训练表征作为汇总跨模态信息的代理目标，并在一个简化线性设定下给出理论保证，据此导出用于顺序模态选择的强化学习策略；在与任务无关且无标签的获取基线对比中，ECHO-k 在多种基础模型后端上持续提升受预算约束的下游性能。该工作提出 ECHO-k，一种任务无关、自监督的模态获取原则：以深度模型（如基础模型）的内部预训练表征作为汇总跨模态信息的代理目标，并在一个简化线性设定下给出理论保证，据此导出用于顺序模态选择的强化学习策略；在与任务无关且无标签的获取基线对比中，ECHO-k 在多种基础模型后端上持续提升受预算约束的下游性能。