時尚檢索往往需要同時滿足類別、顏色、圖案和人群等多個約束。傳統模型將文本和影像編碼成一個整體嵌入向量，雖然能夠完成粗粒度匹配，卻難以在檢索時對某個具體屬性進行干預或除錯。另一類基於語義 ID 的方法雖然提供了離散的物品編碼，但這些編碼的最佳化目標通常是物品級別或殘差地址，沒有顯式構造出帶名稱、可獨立控制的屬性槽。
針對這一空白，Najmeh Forouzandehmehr 等人提出了 MM-slotgate 多模態槽編碼器。該方法以 Fashion-CLIP 為基礎，將文本和影像的嵌入分解為四個命名槽：類別、顏色、圖案和人群。每個槽都配有獨立的文本-影像門控，從而讓顏色、圖案這類偏視覺的屬性更多依賴影像證據，而類別、人群這類偏分類學的屬性保持文本驅動。這樣的設計讓模型在訓練時無需額外的模態標註，也能自動學會如何分配不同模態的權重。
在 H&M 資料集上，MM-slotgate 使用槽相似度與槽 logit 相結合的檢索分數，取得了 0.7566 的 macro ConstraintSatisfied@10，超過了等權重多模態融合的 0.7142 和 fCLIP 純文本檢索的 0.4755。其中提升最明顯的是顏色屬性，從 0.321 升至 0.889，絕對提升達 0.568。這一結果與學習到的顏色門控一致：顏色門控將 57.4% 的權重分配給了影像證據。更關鍵的是，這些門控在沒有模態監督的情況下仍然可解釋：顏色偏向影像，類別偏向文本，圖案和人群則介於兩者之間。
在可控性方面，線性探針實驗顯示，除標籤相關基線外沒有檢測到額外洩漏，說明槽編碼沒有混入多餘資訊。量化後的槽碼還支援定向干預，例如對顏色槽進行針對性調整可以帶來 15.3 倍的檢索提升。論文於 2026 年 8 月 12 日提交至 arXiv，編號 2608.12570，分類為 cs.CV 與 cs.IR。整體結果表明，可控時尚檢索更適合採用型別化、屬性條件的多模態槽，而不是單一全域性嵌入或不可解釋的物品級語義 ID。此外，門控權重本身還可作為模態可靠性的診斷工具，幫助研究人員發現訓練資料中文本與影像資訊是否失衡，併為後續將槽表示擴充套件到其他屬性、更大規模資料集或生成式模型提供了基礎。