论文 · 资源记录
Learning Transferable Visual Models From Natural Language Supervision
用大规模图像—文本配对数据和双塔对比目标学习可迁移视觉表示。
为什么重要
用于核对跨模态对齐、零样本分类、数据构造和评价限制。
阅读前提
教材中的引用位置
- A08 · 第 1 章 表示学习目标、相似度与不变性
支持的主张：SimCLR 论文用于核对增强视图间的实例对比目标，BERT 论文用于核对 token 掩码预测，CLIP 论文用于核对图文配对的双向对比目标。本章借三者说明“表示相近”由正样本构造和损失共同定义，不能把一个目标下的相似性直接解释成另一任务的语义等价。
- A08 · 第 2 章 度量学习、孪生网络与三元组损失
支持的主张：SimCLR 论文用于核对同一样本增强视图之间的温度化对比损失、投影头和批内负样本；CLIP 论文用于核对图像—文本双塔、对称对比目标和零样本分类接口。本章据此比较同模态实例判别与跨模态对齐，二者的正负样本语义和评价协议不能互换。
- A08 · 第 5 章 跨模态对齐与预训练迁移
支持的主张：CLIP 论文用于核对图文配对、双塔编码和跨模态对比目标；SimCLR 论文用于核对单模态增强视图的实例对比基线；BERT 论文用于核对离散 token 的掩码预测目标。本章借三者区分对齐式、对比式和重建式预训练，数据规模与迁移结论仍限于各论文实际任务。
- A08 · 第 6 章 表示质量、坍塌与自监督学习综合复习
支持的主张：SimCLR 的消融实验用于核对增强、投影头与线性评价，BERT 用于核对掩码预训练—微调接口，CLIP 用于核对跨模态对齐与零样本分类。本章的比较据此分别评价同模态不变性、上下文重建和跨模态匹配，不用单一线性探针分数概括全部表示质量。
- A12 · 第 3 章 视觉语言对齐与多模态生成
支持的主张：CLIP 论文用于核对图像—文本双塔、对称对比损失、提示模板和零样本分类实验；《Deep Learning》用于核对表示学习、交叉熵、优化与泛化基础。本章将“共享嵌入空间中的匹配”与“生成式视觉语言理解”分开，CLIP 的检索/分类结果不被扩写成开放式推理保证。
- A12 · 第 6 章 系统评估、故障模式与智能体综合复习
支持的主张：ReAct 论文用于核对推理文本与工具动作交错的代理轨迹，RAG 论文用于核对检索器—生成器的联合建模，CLIP 论文用于核对图文对比预训练，InstructGPT 论文用于核对指令与偏好训练流程，规模律论文用于核对语言模型损失的经验缩放。本章分别引用这些接口，不把单篇实验扩张为自主性、事实性、多模态理解或安全性的统一保证。