#跨模态检索

这篇论文把科学公式的语法和语义分开建模再对齐，发现原生表示差异很大，但对比学习能救回来，做检索的可以看看。

SceneBind 把场景的“是什么”和“在哪里”一起建模，场景和空间检索都做到了 SOTA，还能零样本搞定音视频定位。