摘要： 本文是对于近年来一些多模态大模型工作的相关总结，重点是这些模型的演化路线，各自做了什么改进。 CLIP 论文链接：https://arxiv.org/abs/2103.00020 以往的图像模型都是采用有监督的预训练，需要在人工标注的数据集上进行学习，这限制了图像模型预训练的数据规模。 CLIP采用 阅读全文