視覚言語モデル（VLM）は通常、大規模な画像-テキストデータセットで事前訓練され、視覚内容と自然言語の間の意味的対応を学習する。画像検索や分類タスクでは高い性能を発揮するが、否定表現には驚くほど脆弱である。モデルはしばしば浅い単語共起に依存し、誤解を招くまたは無関係なテキスト手がかりに容易に惑わされる。さらに、否定データで直接微調整を行うと、以前に獲得した知識が干渉を受け、標準的な視覚言語ベンチマークで顕著な性能劣化が生じる。
これらの問題に対処するため、arXivに投稿された論文（arXiv:2606.23843、2026年6月22日提出）はHANCLIP（Hyperbolic + Angular + Negation）を提案している。これは、埋め込み空間を明示的に再構築し、「画像が何であるか」だけでなく「画像が何でないか」も符号化する視覚言語モデルファミリーである。著者はHoang-Bao Leら6名で、論文はコンピュータビジョンとパターン認識（cs.CV）および情報検索（cs.IR）に属する。
HANCLIPの訓練データはコンパクトで、わずか2万の画像-テキスト四つ組を使用する。手法は二つの主要コンポーネントを組み合わせる。一つは双曲定式化で、階層的な意味関係と非対称性をモデル化する。もう一つは角度三重項目的で、否定記述と対応する肯定記述の間に体系的な分離を促す。この幾何学認識設計により、事前訓練済み表現のグローバル構造を上書きするのではなく保持しながら、否定感度を強化する。
実験の結果、HANCLIPは否定に焦点を当てたNegBenchベンチマークで一貫した改善を示し、標準的な分類および画像-テキスト検索ベンチマークでも競争力のある、あるいは改善された性能を維持することが明らかになった。注目すべきは、このフレームワークがモデル非依存であり、大規模な再訓練なしにCLIP、LongCLIP、SmartCLIP、HiMo-CLIPなどの既存モデルに組み込める点である。これは、注意深く設計された幾何学的目的関数が、適度な追加データのみで既存VLMの推論能力を大幅に拡張できることを示している。
論文の要旨は、HANCLIPが事前訓練表現を上書きして否定を学習するのではなく、幾何学的再構築によって否定感度を高め、微調整による破滅的忘却を回避することを強調している。この手法は、視覚言語モデルが否定を理解するための軽量で汎用かつ効果的な経路を提供し、より堅牢なマルチモーダル推論システムの発展に寄与する可能性がある。