论文提出多模态重排是 System One 决策，通用 VLM 单次前向即可完成

论文主张通用视觉语言模型可通过 System One 决策充当多模态重排器：对第一阶段检索的前 16 个候选提一个选择题，按一次前向得到的标签概率排序。在 MMEB-V2 图像检索上，该选择题比逐候选 yes/no 提问高 5.4 到 7.3 hit@1，而 yes/no 提问低于第一阶段。