随着多模态大模型技术的快速落地，组合图像检索（CIR）作为实现“图像+文本”跨模态交互的核心技术，已成为时尚电商、智能搜索、内容推荐等多个领域的刚需应用。但长期以来，该领域的公开训练数据集普遍存在实体覆盖范围有限、文本描述与实体属性错位等问题，直接制约了CIR模型在复杂多修改需求场景下的性能表现，优质训练数据供给不足已成为行业共性痛点。
2026年4月24日，山东大学联合香港理工大学等机构研发的M-FashionIQ、M-CIRR两大多模态修改数据集正式在arXiv首发，为解决上述痛点提供了新的解决方案。
据介绍，本次发布的两大数据集是对现有主流FashionIQ、CIRR数据集的定向扩展，创新采用“多模态大语言模型（MLLM）生成多修改文本（MMT）+人工全量验证”的构建模式，既提升了数据的场景复杂度，也通过自动标注与人工审核的双重校验机制，确保了数据集的标注质量与实用价值，可直接用于复杂多修改场景下的CIR模型训练与效果评估。
两大数据集各有明确的场景定位：其中M-FashionIQ聚焦时尚垂直领域，全面覆盖服装的形状、颜色、材质、风格等多维度细粒度属性，针对性适配时尚图像检索的训练需求；M-CIRR则属于开放域通用数据集，重点强化多对象的细粒度描述能力，可支撑全场景多模态组合图像检索模型的研发。
从应用价值来看，M-FashionIQ未来可广泛应用于时尚电商智能搜款、服装供应链智能选品、时尚趋势AI分析等场景：消费者上传心仪服装图片后，可通过文字补充修改需求（如“换成长款、调整为米白色、换成亚麻材质”等组合条件），基于该数据集训练的检索模型可大幅提升匹配准确率，降低用户搜索成本的同时提升电商平台转化率。而M-CIRR作为开放域数据集，可应用于通用搜索引擎多模态搜索、智能安防跨模态目标检索、内容平台智能素材匹配、智能家居视觉交互等多个场景，有效提升复杂多条件组合下的检索精度。
当前，高质量AI训练数据已成为人工智能产业发展的核心生产要素，本次两大数据集的发布，不仅填补了组合图像检索领域的优质数据供给空白，其“大模型生成+人工校验”的数据集构建模式，也为行业高质量数据生产提供了可参考的范式，将进一步推动多模态交互技术在各垂直产业的落地，助力数字经济与实体经济的深度融合。
详情页内容：
_1769672084863.jpg)