arXiv · cs.AI· Nikos Giakoumoglou, Paschalis Giakoumoglou, Andreas Floros, Kleanthis Marios Papadopoulos, Tania Stathaki·· 1 天前
SNAP：视觉-语言预训练中合成困难负样本的有效机制分析
What Makes Synthetic Hard Negatives Work in Vision-Language Pretraining?
arXiv:2610.09700v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Nikos Giakoumoglou, Paschalis Giakoumoglou, Andreas Floros, Kleanthis Marios Papadopoulos, Tania Stathaki
首次提交：2026-10-07 16:58
研究任务与主要进展
基于论文摘要，作者分析六种表示空间合成策略，指出视觉-语言预训练中存在负样本过于容易或接近查询、模态内构造混入正样本两类失败模式，并提出SNAP生成不涉及任一模态正样本的模态内困难负样本。SNAP不依赖外部生成模型、适用于不同模型，训练时间开销低于10%，并在CLIP和FLIP的零样本检索、零样本分类及线性探测评估中实现一致改进；研究还发现固定温度可改善下游表现。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org