Recuperación: los candidatos
Doscientos candidatos no son doscientas fotos parecidas: son doscientos vectores que cayeron cerca del tuyo en un espacio que el modelo de recuperación aprendió a organizar por lugar, no por aspecto.
Agrupados por color y composición — sin noción de dónde está cada sitio.
La recuperación es la primera criba: convierte "busca esta foto en todo el planeta" en "busca esta foto entre doscientos candidatos plausibles", y lo hace sin mirar contenido — solo distancia en un espacio vectorial. El modelo por defecto es SALAD, entrenado específicamente para que esa distancia se parezca a la distancia geográfica real, no al parecido visual.
Qué diferencia a un modelo de recuperación de otro
No todos entrenan igual: RoMa hace algo distinto más adelante (comparar dos fotos concretas), pero los modelos de esta etapa comprimen una foto entera en un único vector pensado para compararse contra millones de otros en microsegundos. Esa compresión es la que hace posible buscar en un continente entero sin verificar geométricamente cada candidato uno a uno.