神经架构搜索（NAS）在目标重识别（ReID）领域越来越受到关注，因为针对特定任务的架构显著提高了检索性能。以往的研究探索了新的优化目标和搜索空间以应用于NAS ReID，但它们忽视了图像分类和ReID之间训练方案的差异。在这项工作中，我们提出了一种新颖的双胞胎对比机制（Twins Contrastive Mechanism, TCM），为ReID架构搜索提供更加合适的监督。TCM减少了训练数据和验证数据之间的类别重叠，并帮助NAS模拟现实世界中的ReID训练方案。随后，我们设计了一个多尺度交互（Multi-Scale Interaction, MSI）搜索空间，用于搜索多尺度特征之间的合理交互操作。此外，我们引入了一个空间对齐模块（Spatial Alignment Module, SAM），以进一步增强面对不同来源图像时的注意力一致性。在所提出的NAS方案下，自动搜索出一个特定的架构，并命名为MSINet。大量实验表明，我们的方法在域内和跨域场景中均超越了现有的最先进ReID方法。源代码可在https://github.com/vimar-gu/MSINet 获取。