arXiv 2025年8月25日该工作提出关系条件化多模态学习（RCML），把自然语言关系描述作为多模态表示学习的显式条件，通过构建关系感知训练对、引入关系条件化模块并采用统一对比目标联合建模跨模态对齐与关系诱导的样本间结构，使同一样本在不同关系语境下可被表示为不同嵌入；在多个数据集上的实验显示，RCML 在零样本、微调与域外设置下的检索和分类任务中持续优于强基线。该工作提出关系条件化多模态学习（RCML），把自然语言关系描述作为多模态表示学习的显式条件，通过构建关系感知训练对、引入关系条件化模块并采用统一对比目标联合建模跨模态对齐与关系诱导的样本间结构，使同一样本在不同关系语境下可被表示为不同嵌入；在多个数据集上的实验显示，RCML 在零样本、微调与域外设置下的检索和分类任务中持续优于强基线。RCML 将语义关系作为显式条件，使同一样本在不同关系语境下获得不同多模态表示，并在检索与分类的零样本、微调与域外设置中稳定优于强基线该工作提出关系条件化多模态学习（RCML），把自然语言关系描述作为多模态表示学习的显式条件，通过构建关系感知训练对、引入关系条件化模块并采用统一对比目标联合建模跨模态对齐与关系诱导的样本间结构，使同一样本在不同关系语境下可被表示为不同嵌入；在多个数据集上的实验显示，RCML 在零样本、微调与域外设置下的检索和分类任务中持续优于强基线。该工作提出关系条件化多模态学习（RCML），把自然语言关系描述作为多模态表示学习的显式条件，通过构建关系感知训练对、引入关系条件化模块并采用统一对比目标联合建模跨模态对齐与关系诱导的样本间结构，使同一样本在不同关系语境下可被表示为不同嵌入；在多个数据集上的实验显示，RCML 在零样本、微调与域外设置下的检索和分类任务中持续优于强基线。