AdaptiveEmbed usa menos vetores e melhora busca multimodal, aponta pré-print

O custo da representação fixa

Sistemas de busca multimodal — que recuperam imagens, vídeos ou áudios a partir de texto — normalmente representam cada item com um número fixo de vetores (embeddings). Usar muitos vetores melhora a precisão, mas aumenta custo de armazenamento e latência. O AdaptiveEmbed inverte a lógica: trata a capacidade de representação como uma decisão tomada amostra por amostra, selecionada pela utilidade de recuperação.

Como funciona

O método tem duas etapas. Primeiro, aprende embeddings candidatos estruturados com MGCL e SetSim. Depois, constrói uma representação CAES específica da amostra com um Token Selection Transformer, treinado com as funções de perda UPO e MUA. O resultado é que cada consulta usa, em média, muito menos vetores do que os baselines de capacidade fixa.

Resultados reportados

Na recuperação imagem-texto, o AdaptiveEmbed usou em média 2,1 tokens por consulta, contra baselines de 3 a 40. No COCO, registrou mAP de 63,45 na busca texto-para-imagem e 61,14 na imagem-para-texto, liderando em seis das oito direções imagem-texto. O método também registrou o melhor resultado multi-vetor em sete das oito direções de vídeo-texto e áudio-texto, ativando o menor número de tokens em média.

O que isso sinaliza

O trabalho é uma versão 1 de pré-print datada de 26 de agosto de 2026, avaliada em oito benchmarks de recuperação. A promessa é concreta para quem opera sistemas de RAG e busca multimodal em escala: representações que se adaptam à complexidade de cada amostra podem reduzir o custo de indexação sem sacrificar — e em alguns casos até melhorando — a qualidade da busca. Como todo pré-print, os resultados aguardam revisão por pares e validação independente.