核心发现
方法论
Wontopos Tablet 2是一种生产级记忆引擎，支持多语言和多模态检索。其检索路径不依赖词汇匹配、关键词评分或语言模型。通过分阶段检索架构，支持从文本查询中检索无标题照片。
关键结果
- 在LongMemEval-S（500个问题）上得分95.7%，置信区间为[93.4, 97.1]，引擎延迟为393毫秒。
- 在BEAM-1M（700个问题，2.21M存储记忆）上得分67.5%，置信区间为[64.8, 70.2]。重新检索预算可提升8.9个百分点。
- 在Crossmodal-3600数据集（14种语言，无标题照片）上，Recall@5平均为91.4%，显著优于BM25的0%。
研究意义
该研究展示了在无词汇匹配条件下实现多语言和多模态检索的可能性，特别是在无标题照片检索中填补了传统方法的空白。其结果对多语言信息检索和跨模态应用具有重要意义。
技术贡献
提出了一种无需语言模型或词汇匹配的检索路径，显著提升了跨语言和跨模态检索性能。通过分阶段架构，分离了检索和推理过程，提供了更高的灵活性。
新颖性
首次在无标题照片的跨语言检索中实现高性能，证明了密集表示方法并不天然具备语言独立性。
局限性
- 低资源语言（如斯瓦希里语和泰卢固语）性能显著下降，Recall@5分别为53.0%和64.0%。
- 为照片添加英文标题会降低其他语言的检索性能，平均下降11.4个百分点。
- 某些检索阶段设置错误导致韩语Top-1准确率下降37个百分点。
未来方向
未来工作可探索改进低资源语言的性能，优化多模态检索的鲁棒性，并研究如何更好地结合上下文扩展策略。
AI 总览摘要
Wontopos Tablet 2是一种新型的长期记忆引擎，专注于多语言和多模态检索，特别是在无词汇匹配的条件下表现出色。其设计目标是实现语言独立性，避免依赖语言模型或关键词匹配。
在文本检索任务中，该引擎在LongMemEval-S和BEAM-1M基准测试中分别取得了95.7%和67.5%的高分，展现了其在大规模存储记忆中的高效性能。此外，在跨模态检索中，Tablet 2在无标题照片的跨语言检索中表现尤为突出，Recall@5达到91.4%，远超传统方法。
尽管如此，该系统在低资源语言上的性能下降，以及标题对检索性能的负面影响，表明仍有改进空间。未来研究可进一步优化低资源语言的表现，并探索更高效的多模态检索策略。
深度分析
研究背景
多语言和多模态检索是信息检索领域的重要挑战。传统方法依赖词汇匹配或语言模型，难以实现语言独立性，尤其在无标题照片检索中表现不佳。
核心问题
现有方法在多语言和无标题照片检索中存在显著局限，尤其在低资源语言和跨模态任务中表现不稳定。
核心创新
Tablet 2通过无词汇匹配的检索路径，结合分阶段架构，实现了语言独立性和跨模态检索能力，特别是在无标题照片检索中填补了空白。
方法详解
- �� 使用分阶段检索架构，分离检索与推理。
- �� 支持多语言和多模态数据的存储与检索。
- �� 提供可配置的重新检索预算以提升性能。
- �� 在无标题照片检索中，通过密集表示实现跨语言匹配。
实验设计
实验使用LongMemEval-S、BEAM-1M和Crossmodal-3600数据集，评估文本和跨模态检索性能。设置包括不同的检索预算和上下文扩展策略。
结果分析
在LongMemEval-S和BEAM-1M上分别取得95.7%和67.5%的高分。在Crossmodal-3600无标题照片检索中，Recall@5达到91.4%，显著优于BM25的0%。
应用场景
该技术可用于多语言搜索引擎、无标题图片检索系统，以及需要跨语言和跨模态数据整合的应用场景。
局限与展望
低资源语言性能较差，标题对检索性能有负面影响，部分检索阶段设置敏感，需进一步优化。
通俗解读 非专业人士也能看懂
想象你在一个巨大的图书馆里找书，但这些书没有标题，甚至用不同的语言写成。Wontopos Tablet 2就像一个超级图书管理员，它不需要看书名或关键词，而是直接根据你的描述找到正确的书。比如，你说“有一只猫在草地上玩”，它就能找到一本有这种照片的书。它的特别之处在于，即使是用俄语或斯瓦希里语描述，它也能找到相应的书。这种能力在传统方法中是无法实现的，因为传统方法需要依赖关键词匹配，而Tablet 2则完全不需要这些。
简单解释 像给14岁少年讲一样
想象你在用搜索引擎找一张图片，但图片没有标题，也没有任何文字描述。普通的搜索引擎会一脸懵，因为它们不知道怎么找。但Wontopos Tablet 2就像一个超级侦探，你只要告诉它“有一只狗在海边跑”，它就能找到那张图片！而且不管你用什么语言，它都能明白。这是不是很酷？不过它在一些稀有语言上还需要改进，比如斯瓦希里语就有点难住它了。
术语表
无词汇匹配
一种不依赖关键词或词汇相似度的检索方法。
用于实现语言独立的多语言检索。
多模态检索
同时处理多种数据类型（如文本和图像）的检索任务。
在无标题照片检索中尤为重要。
LongMemEval-S
一个包含500个问题的文本检索基准测试。
用于评估Tablet 2的文本检索性能。
BEAM-1M
一个包含2.21M存储记忆的大规模检索基准测试。
用于测试Tablet 2在大规模数据上的性能。
Crossmodal-3600
一个包含14种语言和无标题照片的数据集。
用于评估跨语言和跨模态检索能力。
开放问题 这项研究留下的未解疑问
- 1 如何提升低资源语言的检索性能？
- 2 标题对跨语言检索性能的负面影响如何解决？
- 3 是否有更高效的多模态检索策略？
应用场景
近期应用
多语言搜索引擎
支持全球用户的跨语言信息检索，无需翻译。
无标题照片检索
帮助用户通过描述找到无标题的图片。
远期愿景
跨模态知识库
构建支持多语言和多模态的全球知识库。
原文摘要
We measure tablet-2, a production long-term memory engine for language models, on the text benchmarks the field already uses and on cross-lingual retrieval of photographs stored with no text at all. Its retrieval path contains no lexical matching, no keyword scoring, and no language model of its own. On LongMemEval-S (500 questions) it scores 95.7% [93.4, 97.1]; on BEAM-1M (700 questions, 2.21M stored memories) 67.5% [64.8, 70.2]. Those are question-sampling intervals, not the run-to-run spread, which is an order of magnitude narrower. Most of the paper is about how little they mean alone. Holding engine, corpus, settings and judge fixed, changing only the reader moves LongMemEval-S by 2.0 points; changing only the re-ask budget moves BEAM-1M by 8.9. Neither is stated in the reports we compare against, and the second exceeds most gaps there, so we give that table as a placement and not a ranking. For the multimodal axis we run two controls. Against BM25, configured as strongly as we could, we reach 95.2% mean recall@5 over 70 store-and-query language cells where BM25 reaches 19.0% and is exactly zero in 54. On captionless photographs a lexical method has no document to score at all. Open dense baselines on 300 Crossmodal-3600 photographs in 14 languages show that density confers no language independence: one scores 91.0% on English and 4.7% on Russian from identical image vectors, and a multilingual variant collapses on Telugu and Swahili. Our spread across languages is 14.0 against their 27.5 and 27.7. Three results run against us and are reported at equal weight: low-resource languages degrade sharply (Swahili 53.0%, Telugu 64.0%), attaching captions lowers cross-lingual retrieval by 11.4 points, and one setting omitted into one stage of our own retrieval cost 37 points of Korean top-1 accuracy while leaving nine languages untouched.