ccf

。 视觉编码器扩展：传统的视觉语言模型（VLM）如CLIP使用的是基于ViT的编码器，一般采用监督学习进行训练。这些模型通过对齐图像与文本标签来提取图像特征，但对于分布外图片的处理存在不足，可能导致图...