过去我们试图通过堆视觉数据来提升 CLIP，但 LLM2CLIP 证明了，通过引入一个已经“读过万卷书”的 LLM，并辅以少量的、高质量的描述数据，就能让视觉表征产生质的飞跃。这种“低成本、高收益”的方案，很可能会成为未来多模态预训练的新范式。 目前 ...