PLUME：基于潜在推理的通用多模态嵌入

通用多模态嵌入（UME）旨在将异构输入映射至共享检索空间。现有方法通过生成显式思维链（CoT）提升效果，但带来巨大推理开销及文本瓶颈。本文提出 PLUME，一种潜在推理框架，以连续潜在状态的自回归滚动替代言语化 CoT。该方法引入语义锚点引导的过渡适配器，在固定计算预算下 steering 不同推理轨迹，并采用从显式到潜在的渐进课程学习策略，仅在训练阶段使用言语化推理作为支架，推理时完全消除显式 CoT。实验表明，PLUME 在 MMEB-v2 基准上优于强基线，将推理步骤从数百 token 减至不足 10 步，速度提升超 30 倍，为密集证据检索提供了高效新范式。