論文の概要: PailitaoMMSearch2.0 Technical Report: Scaling Generative Retrieval to Unified End-to-End Multimodal Search

• arxiv url: http://arxiv.org/abs/2610.36958v1
• Date: Tue, 27 Oct 2026 10:17:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.563564
• Title: PailitaoMMSearch2.0 Technical Report: Scaling Generative Retrieval to Unified End-to-End Multimodal Search
• Title（参考訳）: PailitaoMMSearch2.0テクニカルレポート: 汎用マルチモーダル検索への生成検索のスケールアップ
• Abstract要約: textbfPailitaoMMSearchは、生のクエリ画像と自由形式の命令から製品セマンティックIDを直接生成する。 このシステムはTaobao Pailitao上のマルチモーダル検索アプリケーションにデプロイされている。
• 参考スコア（独自算出の注目度）: 17.513573263026576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative retrieval models have been increasingly adopted in search and recommendation systems. However, industrial generative retrieval models are commonly specialized to a fixed online scenario: they learn from scenario-specific interactions, support a narrow set of query forms and retrieval objectives. We study how to remove these couplings and build a unified end-to-end multimodal search system for open-ended image--text queries, heterogeneous shopping intents, and online scenarios with different resource constraints. We present \textbf{PailitaoMMSearch}, which directly generates product Semantic IDs from a raw query image and free-form instruction and scales along three dimensions. \textbf{Data scaling} uses a reusable toolset that can be composed into intent- and lifecycle-specific workflows for cold-start synthesis, quality control, real-traffic refinement, and continuous data production. \textbf{Intent scaling} progressively equips one model with e-commerce product knowledge, multiple retrieval relations, and adjustable reasoning budgets through continual pre-training (CPT), mixed-budget supervised fine-tuning (SFT), and unified reinforcement learning (RL). The RL stage combines intent-balanced optimization and Sample--Beam rollouts aligned with multi-candidate serving. \textbf{Scenario scaling} exposes quality--cost operating points across model capacity and reasoning budget. The system is deployed in multimodal search applications on Taobao Pailitao. A controlled online A/B test reports statistically significant improvements, including item page views $\textbf{+17.90\%}$, transactions $\textbf{+27.04\%}$, and gross merchandise value $\textbf{+8.94\%}$.
• Abstract（参考訳）: 生成的検索モデルは、検索とレコメンデーションシステムにますます採用されている。 しかし、産業生成検索モデルは、一般的に固定されたオンラインシナリオに特化しており、シナリオ固有のインタラクションから学習し、クエリフォームの狭いセットと検索目的をサポートする。 我々は、これらの結合を除去し、オープンな画像テキストクエリ、異種ショッピングインテント、リソース制約の異なるオンラインシナリオのための統合されたエンドツーエンドのマルチモーダル検索システムを構築する方法について検討する。 本稿では,生の問合せ画像から製品セマンティックIDを直接生成し,自由形式の命令と3次元のスケールを行う,‘textbf{PailitaoMMSearch}’を提案する。 \textbf{Data Scaling}は、コールドスタート合成、品質管理、リアルタイムリファインメント、継続的データ生成のための意図的およびライフサイクル固有のワークフローで構成された、再利用可能なツールセットを使用する。 テキストbf{Intent Scaling}は、連続事前学習(CPT)、混合予算管理微調整(SFT)、統合強化学習(RL)を通じて、eコマース製品知識、複数の検索関係、調整可能な推論予算を段階的に1つのモデルに装備する。 RLステージは、インテントバランスの最適化と、マルチ候補サービスと整合したサンプルビームロールアウトを組み合わせたものだ。 \textbf{Scenario scaling}は、モデルキャパシティと推論予算にまたがる品質コストの運用ポイントを公開する。 このシステムはTaobao Pailitao上のマルチモーダル検索アプリケーションにデプロイされている。 制御されたオンラインA/Bテストでは、アイテムページビュー$\textbf{+17.90\%}$、トランザクション$\textbf{+27.04\%}$、粗い商品値$\textbf{+8.94\%}$など、統計的に重要な改善が報告されている。

関連論文リスト

• Beyond Global Similarity: Towards Fine-Grained, Multi-Condition Multimodal Retrieval [27.493644447594367]
  MCMR (Multi-Conditional Multimodal Retrieval) は、自然言語クエリによる細粒度・多条件クロスモーダル検索を評価するために設計された大規模ベンチマークである。 製品ドメインは、上着と下着、宝石、靴、家具の5つ。 MLLMベースのマルチモーダルレトリバーと視覚言語リランカの多種多様なスイートをベンチマークし,その条件認識推論能力を評価する。
  論文  参考訳（メタデータ） (2026-03-01T12:53:47Z)
• MCERF: Advancing Multimodal LLM Evaluation of Engineering Documentation with Enhanced Retrieval [7.964714175107759]
  エンジニアリングルールブックと技術標準は、密集したテキスト、テーブル、イラストのようなマルチモーダル情報を含んでいる。 この研究は、大規模言語モデル推論とマルチモーダルレトリバーを結合するシステムである、マルチモーダルColPali Enhanced Retrieval and Reasoning Framework (RFMCE)を確立する。 これは、視覚言語検索、モジュール推論、適応的ルーティングが、エンジニアリングユースケースにおけるスケーラブルなドキュメント理解を可能にする方法を示している。
  論文  参考訳（メタデータ） (2026-01-31T03:09:47Z)
• Scaling Beyond Context: A Survey of Multimodal Retrieval-Augmented Generation for Document Understanding [61.36285696607487]
  文書理解は、財務分析から科学的発見への応用に不可欠である。 現在のアプローチでは、OCRベースのパイプラインがLarge Language Models(LLM)やネイティブのMultimodal LLMs(MLLM)に制限されている。 Retrieval-Augmented Generation (RAG)は、外部データの基底モデルを支援するが、文書のマルチモーダルな性質は、テキスト、テーブル、チャート、レイアウトを組み合わせることで、より高度なパラダイムを必要とする。
  論文  参考訳（メタデータ） (2025-10-17T02:33:16Z)
• Zero-Shot Retrieval for Scalable Visual Search in a Two-Sided Marketplace [0.0]
  本稿では,MercuriのC2Cマーケットプレースに展開するスケーラブルなビジュアルサーチシステムを提案する。 我々は、ゼロショット画像検索のための最近の視覚言語モデルを評価し、その性能を既存の微調整ベースラインと比較する。
  論文  参考訳（メタデータ） (2025-07-31T05:13:20Z)
• MMSearch-R1: Incentivizing LMMs to Search [49.889749277236376]
  MMSearch-R1は,実世界のインターネット環境において,オンデマンドでマルチターン検索が可能な,初のエンドツーエンド強化学習フレームワークである。 本フレームワークは画像検索とテキスト検索の両方を統合し,検索ペナルティによる結果に基づく報酬によって,モデルがいつ,どのように呼び出すかの判断を可能にする。
  論文  参考訳（メタデータ） (2025-06-25T17:59:42Z)
• MultiConIR: Towards multi-condition Information Retrieval [38.864056667809095]
  MultiConIRは、複雑なマルチ条件クエリシナリオ下での検索および再ランクモデルの評価のために設計されたベンチマークである。 ほとんどのレトリバーとリランカは、クエリの複雑さが増大するにつれて、パフォーマンスが大幅に低下する。 この研究は、リランカの性能劣化の原因を解明し、クエリ内の条件位置が類似性評価にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2025-03-11T05:02:03Z)
• Semantic Ads Retrieval at Walmart eCommerce with Language Models Progressively Trained on Multiple Knowledge Domains [6.1008328784394]
  Walmart.comの広告検索システムを最適化するために,エンド・ツー・エンドのソリューションを提案する。 当社のアプローチは,製品カテゴリ情報を用いたBERTライクな分類モデルを事前学習することである。 ベースラインDSSMベースのモデルと比較して,検索関連度を最大16%向上させる。
  論文  参考訳（メタデータ） (2025-02-13T09:01:34Z)
• LATTE: Learning to Think with Vision Specialists [110.43838069105998]
  我々は、認識を最先端の視覚モデルにオフロードする視覚言語モデルのファミリーであるLATTEを提案する。 我々のアプローチは、認識を最先端の視覚モデルにオフロードすることで、視覚言語モデルが高品質な知覚情報に対する推論のみに集中できるようにする。
  論文  参考訳（メタデータ） (2024-12-07T00:42:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。