通俗解释
图像编码器和文本编码器分别编码，一批里配对的图文相似度拉高、不配对的压低（对比损失）。训练后可零样本分类、以文搜图，并成为文生图模型的文本条件。
用在哪里：Stable Diffusion 文本编码器、以文搜图
时间轴 · 前置 → 当前 → 后继
01原始论文
Learning Transferable Visual Models From Natural Language Supervision
Alec Radford, Jong Wook Kim, Chris Hallacy, et al. · 2021
arXiv ↗ ✓ 已核实 · arXiv API
02知识位置
左边先学；右边是学完它之后可以学的。
CLIP 图文对比学习
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
所在学习路线：生成式与前沿研究
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
clip)