正文：2025年12月，中国联通数据科学与人工智能研究院在AAAI 2026 (Oral)发表新研究HiMo-CLIP，突破长文本图像检索难题。该模型通过建模“语义层级”与“语义单调性”，自动捕捉语境中的“语义差异点”，显著提升长文本和组合性文本的检索精度，同时兼顾短文本性能。HiMo-CLIP采用层级分解模块（HiDe）和单调性感知对比损失（MoLo），动态提取关键特征并优化图文对齐机制。实验显示，仅用1M训练数据，HiMo-CLIP性能超越使用100M甚至10B数据的现有方法，并在自建数据集HiMo-Docci上取得SOTA结果。