原论文标题： Learning Transferable Visual Models From Natural Language Supervision 作者： Alec Radford 等 arXiv： 2103.00020
CLIP 通过大规模图文对进行对比学习，实现图像与文本语义对齐。模型无需传统标签监督，即可实现强大的零样本图像分类能力。