UniNote 用统一Embedding与强化学习支持I2I检索

物品到物品（I2I）检索是现代内容平台的基础能力，支持推荐引擎、内容审核等关键工业流程。多模态Embedding方法虽推动了通用检索，但在I2I场景中仍面临全局内容表示与局部细粒度检索的平衡、Embedding与排序分离造成的系统低效，以及精度与服务时延之间的取舍。我们提出用于工业I2I检索的统一Embedding模型UniNote，以定制检索策略支持不同粒度下复杂多模态内容的表示学习。训练分为两阶段：先采用对比式监督微调建立稳健的基础Embedding，再以强化学习使模型与内容相关性对齐，改善排序质量。实验显示，UniNote在多种I2I任务上达到最佳表现。该模型已部署于小红书，并结合套娃表示学习（MRL），在大规模应用中改善了检索质量与成本效率。