多语言CLIP 适用于任何语言的OpenAI CLIP文本编码器 ·· 概述 最近发布了一篇论文，《中 ，其中介绍了CLIP（对比语言-图像预训练）模型。使用对比学习目标，通过匹配文本和图像的相应矢量表示，训练该模型以使其连接文本和图像。 CLIP由两个单独的模型组成，一个视觉编码器和一个文本编码器。这些内容接受了高达4亿张的图像和相应的字幕的培训。此后，OpenAI发布了一组较小的CLIP模型，可以在上找到它们。 我们建议进行微调，以使用任何语言的预训练文本模型替换原始英语文本编码器。这种方