MMEmb-R1: 쌍 비교 기반 선택 및 적응적 제어를 통한 추론 강화 다중 모드 임베딩

MMEmb-R1: Reasoning-Enhanced Multimodal Embedding with Pair-Aware Selection and Adaptive Control

MLLM(Large Multimodal Language Model)은 다중 모드 임베딩 작업에 성공적으로 적용되어 왔지만, 그 생성적 추론 능력은 아직 충분히 활용되지 못하고 있습니다. 체인-오브-생트(chain-of-thought) 추론을 임베딩 학습에 직접 통합하는 것은 두 가지 근본적인 과제를 야기합니다. 첫째, 인스턴스 수준의 추론과 쌍 비교 대비 학습 간의 구조적 불일치는 모델이 추론의 표면적인 형식만 학습하는 '단축 경로(shortcut)' 현상을 초래할 수 있습니다. 둘째, 추론은 모든 임베딩 작업에 반드시 유익한 것은 아닙니다. 모든 입력에 대해 추론을 강제하면 불필요한 계산 및 지연이 발생할 수 있으며, 심지어 단순한 경우에도 중요한 의미 정보를 가릴 수 있습니다. 이러한 문제점을 해결하기 위해, 우리는 적응적 추론 기반의 다중 모드 임베딩 프레임워크인 MMEmb-R1을 제안합니다. 우리는 추론을 잠재 변수로 공식화하고, 쿼리-타겟 정렬에 도움이 되는 추론 경로를 식별하기 위해 반사실적 개입을 사용하는 쌍 비교 기반 추론 선택 방법을 도입했습니다. 또한, 필요한 경우에만 선택적으로 추론을 실행하기 위해 강화 학습을 채택했습니다. MMEB-V2 벤치마크에서의 실험 결과, 저희 모델은 40억 개의 파라미터로 71.2라는 높은 점수를 달성하여 새로운 최고 성능을 기록했으며, 동시에 추론 오버헤드와 추론 지연을 크게 줄였습니다.

MLLMs have been successfully applied to multimodal embedding tasks, yet their generative reasoning capabilities remain underutilized. Directly incorporating chain-of-thought reasoning into embedding learning introduces two fundamental challenges. First, structural misalignment between instance-level reasoning and pairwise contrastive supervision may lead to shortcut behavior, where the model merely learns the superficial format of reasoning. Second, reasoning is not universally beneficial for embedding tasks. Enforcing reasoning for all inputs may introduce unnecessary computation and latency, and can even obscure salient semantic signals for simple cases. To address these issues, we propose MMEmb-R1, an adaptive reasoning-based multimodal embedding framework. We formulate reasoning as a latent variable and introduce pair-aware reasoning selection that employs counterfactual intervention to identify reasoning paths beneficial for query-target alignment. Furthermore, we adopt reinforcement learning to selectively invoke reasoning only when necessary. Experiments on the MMEB-V2 benchmark demonstrate that our model achieves a score of 71.2 with only 4B parameters, establishing a new state-of-the-art while significantly reducing reasoning overhead and inference latency.