找到物体只是第一步，更有挑战性的任务是给这些物体命名。人类可以轻松地看到一只猫并

找到物体只是第一步，更有挑战性的任务是给这些物体命名。人类可以轻松地看到一只猫并说出＂这是一只猫＂，但计算机如何在没有被教导的情况下完成这种任务呢？这就需要引入CLIP（对比语言-图像预训练）模型，但这一过程并不像...