伊利诺伊大学厄巴纳-香槟分校、Google DeepMind和OpenAI研究者提出CoCo-IR，把“拿一张参考图加一句修改要求”的图像检索，扩展为可连续追问的多轮搜索。用户可以先换颜色，再改背景，随后引用前面某一轮的视角或物体继续筛选。
团队训练的12B模型TIE在四轮对话上取得44.1%的R@1，即第一条结果命中目标；把完整历史交给Gemini 2.5 Pro压成单条指令，再接传统单轮检索器，最好成绩为28.2%。
论文图1：传统方法需要把历史压缩成一句指令，TIE直接读取交错的图片与文字并处理跨轮引用。
每一轮都生成新的检索向量
TIE把历史图片、修改指令和当前请求排成一条多模态序列。每轮末尾放置一个特殊的嵌入标记，由它汇总此前上下文并输出新的图像检索向量；轮内使用双向注意力融合图文，轮与轮之间保持因果顺序。
论文图2：每轮末尾的嵌入标记汇总此前历史，线性投影后的向量用于匹配目标图片。
这套设计避免把“原图”“第二张图”“不要刚才那双手”等引用提前改写成一句话。单轮模型即使拿到强模型生成的摘要，也可能丢掉图像中的局部属性和先后关系。
数据引擎自己出题，也自己挑难例
人工编写多轮图像检索对话成本很高。团队让多模态模型从图片对中生成变换指令，再进行自我检查；训练时还专门挖掘“很像正确答案、但漏掉一项要求”的困难负样本，迫使检索向量保留细粒度条件。
论文图4：候选图匹配模糊图书馆背景，却没有把书封改成蓝色，因此被判定为困难负样本。
在单轮CIRCO基准上，TIE达到39.4 mAP@5；在新建CoCo-IR基准中，12B版本的四轮R@1为44.1%，4B版本为31.1%。完整上下文带来的收益随对话深入变得更明显。
论文图5：数据引擎把彼此独立的修改要求改写成会引用早先图片的连续对话。
44.1%仍意味着多数四轮任务失败
TIE的主要失败集中在精确空间关系：物体朝向、相对位置、局部编辑一旦跨多轮累积，模型容易丢失约束。训练数据多数由模型合成，真实用户表达的跳跃、反悔和含糊指代覆盖不足；基准中的超长交互数量也有限。
44.1%显著高于经过摘要改造的单轮系统，但离稳定可用仍有距离。论文验证的是一种多轮检索架构和自建基准上的结果，不代表现有搜索产品已经开放对应能力。
