隨著互聯網多媒體數據的快速增長，跨模態檢索技術受到了廣泛關注。由于跨模態關系本身的復雜性和非直觀性，使用跨模態數據對預訓練的大型多模態模型（LMMs）進行調優已成為主流方法。然而，跨模態數據通常存在模態間信息不對稱性和模態內分布多樣性。面對這些挑戰，現有方法往往學習到模糊且不對稱的跨模態關聯，從而引入語義噪聲。此外，它們對現實世界內容的高度多樣性適應性有限，進一步阻礙了最佳檢索性能的實現。為了解決這些問題，本文提出了適應性協同知識增強（ACKE）方法，該方法包括不確定性感知激勵潛力（UAIP）和自適應協同提示（ACP）策略。UAIP利用生成式LMMs生成多視角描述，以豐富語義信息，并采用Dempster-Shafer理論（DST）來量化語義不確定性并調整貢獻權重，從而減少不準確的關系映射并平衡信息不對稱性。ACP構建了一個提示池，其中動態選擇特定實例的視覺提示并將其轉換為文本提示，這些提示共同引導模態編碼器達成深度語義共識，從而減輕由模態內分布多樣性引起的一致性偏差并提高準確性。我們在兩個廣泛使用的數據集Flickr30K和MS-COCO上進行了大量實驗，證明了所提方法的有效性。代碼可在https://github.com/nynu-BDAI/ACKE獲取。