视觉语言模型（VLM）通常在大规模图像-文本数据集上预训练，学习视觉内容与自然语言之间的语义对应关系，在图像检索和分类任务中表现强劲。然而，这些模型对否定语义异常脆弱：它们常依赖浅层的词语共现，容易被误导性或不相关的文本线索干扰。更棘手的是，直接使用否定数据微调会干扰模型已获得的知识，导致在标准视觉语言基准上出现明显性能退化。
为解决这些问题，一篇发表于arXiv的论文（arXiv:2606.23843，提交于2026年6月22日）提出了HANCLIP（Hyperbolic + Angular + Negation），一个明确重构嵌入空间的视觉语言模型系列。该工作的核心思想是让模型不仅编码“图像是什么”，还编码“图像不是什么”。作者由Hoang-Bao Le等六人组成，论文属于计算机视觉与模式识别（cs.CV）以及信息检索（cs.IR）领域。
HANCLIP的训练数据规模紧凑，仅使用2万个图像-文本四元组。方法上结合了两个关键组件：一是双曲公式，用于建模层级语义关系和非对称性；二是角度三元组目标，驱动否定描述与其对应肯定描述之间产生系统性分离。这种几何感知的设计增强了模型对否定的敏感性，同时保留了预训练表示的全局结构，而非覆盖原有知识。
实验结果表明，HANCLIP在聚焦否定的NegBench基准上取得一致提升，同时在标准分类和图像-文本检索基准上保持竞争力甚至有所改进。值得注意的是，该框架与模型无关，可以无需大规模重训练即插入CLIP、LongCLIP、SmartCLIP和HiMo-CLIP等现有模型。这说明，一个精心设计的几何目标函数，仅用适度的额外数据，就能大幅扩展现有视觉语言模型的推理能力。
论文摘要强调，HANCLIP不是通过覆盖预训练表示来学习否定，而是通过几何重构来增强否定敏感度，从而避免微调带来的灾难性遗忘。该方法为视觉语言模型理解否定提供了一条轻量、通用且有效的路径，有望推动更鲁棒的多模态推理系统发展。