多模态检索头首次被锁定：揭开大模型长文档内部检索真相 | EMNLP'26

随着Office AI和文档智能体的发展，大模型开始直接处理财报、合同、研究报告等长篇图文材料。

但能够接收一整份文档，不等于能够正确使用其中的信息。

面对上百页文字、图片、表格和图表，模型首先要回答的是：与当前问题真正相关的证据，究竟在哪里？

EMNLP 2026接收的论文新作“Can Retrieval Heads See Images? Multimodal Retrieval Heads in Long-Context Vision-Language Models”，从模型内部研究了这一过程。

从“装得下”到“找得到”

长上下文视觉语言模型可以同时接收大量文字和图片，但最终答案通常只依赖其中很小的一部分信息。相关证据可能是一段文字，也可能藏在表格、图片或某个版面区域中。

研究团队关注的问题是：当证据已经出现在输入中时，模型内部是否存在一组注意力头，负责将问题指向相关的文本或视觉内容？

团队将识别出的这类注意力头称为多模态检索头（MMRetHeads）。

怎么识别多模态检索头？

受QRHead启发，研究团队提出了MMRetHeads检测方法。

具体来说，该方法分析每个注意力头的question-to-evidence attention，也就是问题token指向标注证据区域的注意力。证据如果是文字，就对应文字token；证据如果位于图片中，则对应视觉token。指向证据的注意力越强，该注意力头的检索得分就越高。

△MMRetHeads：从问题token指向文字或视觉证据区域

研究覆盖Qwen3-VL、Gemma3等6个长上下文视觉语言模型，包括文本检索、图像检索、渲染文本检索和相同图像检索等任务，并测试8K、16K、32K、64K和128K上下文长度。

分析还发现，文本和图像检索会共享一部分注意力头，但不同上下文长度和证据形式也会调用不同的注意力头。

这些注意力头真的会影响模型回答吗？

注意力指向证据，只能说明两者存在关联。为了检验模型是否真正依赖这些头，研究团队屏蔽得高分的检索头，再与屏蔽相同数量随机注意力头的结果进行比较。

在文字和图片检索任务中，屏蔽检索头后，模型在不同上下文长度和证据位置下的表现显著下降；随机屏蔽造成的影响则小得多。

同样的差异也出现在更真实的长文档问答中：

• MMLongBench-Doc：48.2→5.7
• SlideVQA：71.2→8.9

随机屏蔽后，两项任务仍分别保留32.2和52.6分。屏蔽检索头造成的下降明显更大，说明这些头不只是把注意力放在证据附近，也对模型访问证据具有因果作用。

在多模态推理任务中也能观察到类似结果。检索头被屏蔽后，模型有时会在图表仍然存在于输入中的情况下回答“信息不足”，也可能读取错误内容或生成不存在的依据。

△屏蔽检索头后，长文档问答性能显著下降

从内部机制到文档检索

研究团队进一步把这些注意力头中的证据信号用于多模态文档检索。

给定一个问题，MMRetHeads会为候选页面或版面区域计算相关性分数，并据此对候选项进行排序。页面级检索寻找包含证据的整页，版面级检索则进一步定位页面中的文字块、表格、图片或图表。整个过程不需要额外训练检索器。

在MMDocIR上，Qwen3-VL-8B的页面级Recall@1达到64.7，较最强的已报告基线提高7.7个百分点；版面级Recall@1达到39.0，较最强的已报告基线提高6.3个百分点。

△MMRetHeads在MMDocIR页面级和版面级检索上的结果

论文链接：https://arxiv.org/abs/2605.27243

文章来自于"量子位"，作者 "MMRetHeads团队"。