Die Aufgabe der zusammengesetzten Bildsuche (Composed Image Retrieval, CoIR) besteht darin, Anfragen zu bearbeiten, die visuelle und textuelle Modalitäten kombinieren, wodurch Benutzer ihre Absichten effektiver ausdrücken können. Aktuelle CoIR-Datensätze sind jedoch um Größenordnungen kleiner als andere Datensätze im Bereich Vision und Sprache (Vision and Language, V&L). Zudem weisen einige dieser Datensätze bemerkenswerte Probleme auf, wie zum Beispiel redundante Modalitäten in den Anfragen. Um diese Mängel zu beheben, stellen wir den Large Scale Composed Image Retrieval (LaSCo)-Datensatz vor, einen neuen CoIR-Datensatz, der zehnmal größer ist als bestehende Datensätze. Die Vorabtrainings auf unserem LaSCo zeigen eine bemerkenswerte Leistungssteigerung, auch bei Zero-Shot-Szenarien. Des Weiteren schlagen wir einen neuen Ansatz zur Analyse von CoIR-Datensätzen und -Methoden vor, der Modalen Redundanz oder Notwendigkeit in Anfragen erkennt. Wir führen außerdem eine neue CoIR-Basislinie ein: den Cross-Attention getriebenen Shift Encoder (CASE). Diese Basislinie ermöglicht die frühe Fusion von Modalitäten durch ein Cross-Attention-Modul und setzt während des Trainings eine zusätzliche Nebenaufgabe ein. Unsere Experimente zeigen, dass diese neue Basislinie die aktuellen Standesmethoden (state-of-the-art methods) auf etablierten Benchmarks wie FashionIQ und CIRR übertrifft.